Automatic segmentation of mononucleated cells in peripheral blood images for features comparison between cells

Abstract

In recent years, with the rise of artificial intelligence and its strong entry into the world of biomedical imaging, the need to exchange knowledge not only from humans to machines, but also from machines to humans has become more and more relevant. We want a machine to be capable of performing tasks related to data processing in health sciences, and that these tasks become increasingly complex, even reaching the point of equaling or exceeding the capabilities of the best experts in the field. However, the flow of information does not always have to go in the same direction (from human expert knowledge to machines) but it can also circulate in the opposite direction, increasingly helping experts to understand non-intuitive patterns (or that are not immediately apparent), and to describe these patterns based on reasonably familiar metrics. One of the most criticized aspects of deep neural networks is that the knowledge created is not easily interpretable, but their capacity is far from any doubt. Thus, this work develops an automatic process of semantic segmentation of mononuclear cells present in medical images of peripheral blood taken under a microscope. Once the segmentation is done, a series of image features corresponding to the segmented areas are extracted. This features are displayed in an easy-to-use app, so that the pathologist themselves can find relationships and patterns with morphological parameters, and thus understand more clearly aspects of the information with which they work.

En los últimos años, con el auge de la inteligencia artificial y su fuerte entrada en el mundo de la imagen biomédica, se ha hecho cada vez más relevante la necesidad de intercambiar conocimientos no sólo de humanos a máquinas, sino también de máquinas a humanos. Queremos que una máquina sea capaz de realizar tareas relacionadas con el procesamiento de datos en ciencias de la salud, y que estas tareas sean cada vez más complejas, llegando incluso a igualar o superar las capacidades de los mejores expertos en la materia. Sin embargo, el flujo de información no tiene por qué ir siempre en la misma dirección (del conocimiento experto humano a las máquinas), sino que también puede circular en sentido contrario, ayudando cada vez más a los expertos a comprender patrones no intuitivos (o que no son inmediatamente evidentes), y a describir estos patrones basándose en métricas razonablemente familiares. Uno de los aspectos más criticados de las redes neuronales profundas es que el conocimiento creado no es fácilmente interpretable, pero su capacidad está lejos de toda duda. Así, este trabajo desarrolla un proceso automático de segmentación semántica de células mononucleares presentes en imágenes médicas de sangre periférica tomadas al microscopio. Una vez realizada la segmentación, se extraen una serie de características de la imagen correspondientes a las áreas segmentadas. Estas características se muestran en una app fácil de usar, de forma que el propio patólogo pueda encontrar relaciones y patrones con los parámetros morfológicos, y así comprender con mayor claridad aspectos de la información con la que trabaja.

En els últims anys, amb l'auge de la intel·ligència artificial i la seva forta entrada en el món de la imatge biomèdica, s'ha fet cada vegada més rellevant la necessitat d'intercanviar coneixements no sols d'humans a màquines, sinó també de màquines a humans. Volem que una màquina sigui capaç de fer tasques relacionades amb el processament de dades en ciències de la salut, i que aquestes tasques siguin cada vegada més complexes, arribant fins i tot a igualar o superar les capacitats dels millors experts en la matèria. No obstant això, el flux d'informació no té per què anar sempre en la mateixa direcció (del coneixement expert humà a les màquines), sinó que també pot circular en sentit contrari, ajudant cada vegada més als experts a comprendre patrons no intuïtius (o que no són immediatament evidents), i a descriure aquests patrons basant-se en mètriques raonablement familiars. Un dels aspectes més criticats de les xarxes neuronals profundes és que el coneixement creat no és fàcilment interpretable, però la seva capacitat està lluny de tot dubte. Així, aquest treball desenvolupa un procés automàtic de segmentació semàntica de cèl·lules mononuclears presents en imatges mèdiques de sang perifèrica preses al microscopi. Una vegada realitzada la segmentació, s'extreuen una sèrie de característiques de la imatge corresponents a les àrees segmentades. Aquestes característiques es mostren en una app fàcil d'usar, de manera que el mateix patòleg pugui trobar relacions i patrons amb els paràmetres morfològics, i així comprendre amb major claredat aspectes de la informació amb la qual treballa.