Publican un trabajo de investigación realizado en colaboración con patólogos del Hospital Dr. Negrín, e investigadores de Texas (EEUU) y Tromso (Noruega)
Las aplicaciones de imágenes hiperespectrales en medicina están adquiriendo día a día un papel más relevante, en tanto en cuanto están siendo capaces de mostrar al ojo humano información que antes no era visible
Estas investigaciones, realizadas por médicos e ingenieros canarios en colaboración con grupos de investigación de reconocido prestigio internacional, permiten posicionar a la ULPGC con ventaja en este campo.
Investigadores del Instituto de Microelectrónica Aplicada de la ULPGC, en colaboración con patólogos del Hospital Dr. Negrín e investigadores de las Universidades de Texas (EEUU) y Tromso (Noruega) han logrado una herramienta de imágenes hiperespectrales que ayuda al diagnóstico para la detección de tumores cerebrales de alto grado. En este momento, el grupo de investigación está trabajando en el análisis de otros tipos de imágenes histológicas hiperespectrales en diferentes tipos de cáncer.
Se trata de una investigación multidisciplinar en la que han colaborado médicos patólogos, ingenieros de telecomunicaciones, ingenieros biomédicos y matemáticos, que han tenido que trabajar juntos, aportando diferentes puntos de vista durante el desarrollo de esta investigación.
Este trabajo ha dado lugar a un artículo de investigación cuyo título en español es ‘Imágenes hiperespectrales para la detección de glioblastoma en muestras histológicas usando redes neurales convolucionales’, que está firmado por Samuel Ortega, Martin Halicek, Himar Fabelo, Rafael Camacho, Maria de la Luz Plaza, Fred Godtliebsen, Gustavo Marrero Callico y Baowei Fei, el equipo integrado por investigadores del Instituto de Microelectrónica Aplicada (IUMA) de la ULPGC, patólogos del departamento de anatomía patológica del Hospital Universitario de Gran Canaria Dr. Negrín, investigadores del Quantitative Bioimaging Laboratory (QBIL) del Departamento de Bioingeniería de la Universidad de Texas en Dallas (EEUU), e investigadores del Departamento de Matemáticas y Estadística de la Universidad de Tromsø (Noruega). Este trabajo está liderado por el investigador Samuel Ortega, como parte de su Tesis Doctoral, y supervisado por su director de Tesis, el profesor Dr. Gustavo Marrero Callicó de la ULPGC/IUMA.
Herramienta de ayuda al diagnóstico
El objetivo final de este trabajo de investigación es proporcionar una herramienta de ayuda al diagnóstico histopatológico basada en imágenes hiperespectrales. En primer lugar, se desarrolló un sistema de adquisición hiperespectral microscópico basado en una cámara tipo pushbroom (Hyperspec® VNIR A-Series, HeadWall Photonics) acoplada a la óptica un microscopio óptico (BX-53, Olympus). Este sistema trabaja en el rango espectral VNIR (Visual and Near-InfraRed) que cubre el rango espectral desde 400 a 1000 nm, con una resolución espectral de 2.8 nm, siendo capaz de muestrear 826 canales espectrales.
Seguidamente, se creó una base de datos de imágenes hiperespectrales para su posterior procesamiento. Esta base de datos debía contener un alto número de imágenes hiperespectrales con la identificación del diagnóstico, en este caso áreas afectadas o no afectadas por tumor cerebral. Para esto, los patólogos de este proyecto anotaron macroscópicamente en los portaobjetos las zonas de la muestra donde se encuentra el tejido tumoral (marcador rojo en la Figura 1.a), y el tejido sano (marcador azul en la Figura 1.a). Una vez los patólogos determinaron las zonas de interés, se procedió a la captura de las imágenes a diferentes magnificaciones (Figura 1.b y c).
La base de datos final consta de 517 imágenes de 13 pacientes diferentes. Estas imágenes fueron procesadas usando técnicas de Deep Learning, específicamente redes neuronales convolucionales, para la automatización del diagnóstico a través del análisis de la imagen hiperespectral. Una de las grandes ventajas de este tipo de algoritmos de procesamiento para imágenes hiperespectrales, es que los algoritmos pueden aprender simultáneamente características espaciales y espectrales que permiten discriminar entre tejido tumoral y no tumoral.
Los resultados obtenidos en esta investigación son prometedores, mostrando casos de éxito en los que la imagen hiperespectral se muestra superior al análisis de imagen RGB convencional. Dado que en este trabajo preliminar el número de pacientes usado para entrenar los algoritmos es limitado, se está trabajando en la ampliación de esta base de datos y también en el uso de otras alternativas de procesamiento para tratar de mejorar los resultados obtenidos hasta el momento.
Respecto a su aplicación práctica, aunque todavía se ha de continuar investigando para establecer la viabilidad de la imagen hiperespectral como herramienta de asistencia al análisis histológico rutinario en un entorno clínico, en esta prueba de concepto se ha demostrado su gran potencialidad como herramienta de ayuda al diagnóstico para la detección de tumores cerebrales de alto grado.
El uso de técnicas de patología digital se está extendiendo en los últimos años, y se espera que en un futuro próximo los hospitales puedan contar con las infraestructuras necesarias para instaurar la patología digital hiperespectral como técnica rutinaria de diagnóstico. Esto permitiría una futura integración con técnicas de inteligencia artificial para facilitar a los patólogos la observación de los tejidos. La inclusión de técnicas de imágenes hiperespectrales combinada con machine learning permite mejorar la precisión diagnóstica y aumentar al mismo tiempo su grado de objetividad.
Proyecto financiado por la ACIISI
Esta investigación forma parte del proyecto ITHaCA (IdenTificación Hiperespectral de tumores CerebrAles), coordinado por el Dr. Gustavo Marreo Callicó, y financiado por la Agencia Canaria de Investigación Innovación y Sociedad de la Información del Gobierno de Canarias.
La instrumentación y la adquisición de los datos se ha desarrollado en el seno de la División de Sistemas Integrados del Instituto de Microelectrónica Aplicada de la ULPGC, que tiene una avanzada infraestructura para la adquisición de imágenes hiperespectrales. La relevancia de la investigación que se realiza en el IUMA en el ámbito de las imágenes hiperespectrales se ha materializado en colaboraciones internacionales con grupos de investigación de reconocido prestigio, como es el grupo del Prof. Baowei Fei en la Universidad de Texas en Dallas (EEUU) o el grupo del Prof. Fred Godtliebsen en la Universidad Ártica de Tromso (Noruega).
Adicionalmente, las muestras histológicas también han sido procesadas y etiquetadas por miembros del Departamento de Anatomía Patológica del Hospital Universitario de Gran Canaria Dr. Negrín.
Las aplicaciones de imágenes hiperespectrales en medicina están adquiriendo día a día un papel más relevante, en tanto en cuanto están siendo capaces de mostrar al ojo humano información que antes no era visible. Actualmente, los investigadores de la ULPGC continúan trabajando en la aplicación de imágenes hiperespectrales en campos tan diversos de la medicina como la neurocirugía, la oncología, la endocrinología, la anatomía patológica, la geriatría, la ginecología y la dermatología, abriendo nuevas líneas de investigación en un área en constante evolución, donde todavía no se han establecido claramente sus límites, pero con la convicción de que puede aportar mucha información a médicos y pacientes en un futuro próximo. Por tanto, estas investigaciones, realizadas por médicos e ingenieros canarios en colaboración con grupos de investigación de reconocido prestigio internacional, permiten posicionar a la ULPGC con ventaja en este campo.
El trabajo de investigación ha sido publicado por la revista internacional Sensors (ISSN 1424-8220; CODEN: SENSC9) es una revista científica mensual de acceso abierto y revisada por pares, publicada por la editorial MDPI creada en 2001. Sensors aborda principalmente investigaciones sobre aspectos de sensores y biosensores. Según el Journal Citation Reports (JCR) 2018, esta revista tiene un factor de impacto de 3.031, y figura en el primer cuartil (Q1) en el área de “Instruments & Instrumentation”. De acuerdo con CiteScore (2018 Scopus data) su factor de impacto es de 3.72, situándose en primer cuartil (Q1) tanto en “Physics and Astronomy: Instrumentation” como en “Electrical and Electronic Engineering”.
