Evaluación de técnicas de normalización de color para reducción de heterogeneidad de tejidos en imágenes histopatológicas de cáncer de mama
DOI:
https://doi.org/10.24054/rcta.v1i47.4283Palabras clave:
normalización de color, imágenes histopatológicas, cáncer de mamaResumen
La normalización del color en imágenes histopatológicas se considera una etapa inicial orientada para contribuir con la coherencia en el análisis computacional de tejidos teñidos con hematoxilina y eosina (H&E). En este trabajo, se evalúan tres métodos de normalización de color en imágenes histopatológicas de cáncer de mama (Macenko, Reinhard y Vahadane) utilizando métricas cuantitativas ORB, SSIM y correlación de histogramas. En términos de ORB y SSIM, Vahadane destacó por preservar mejor las estructuras morfológicas con valores consistentemente altos, lo que es crucial para análisis computacional. No obstante, Vahadane presentó variabilidad en la correlación de histogramas, en contraste con Macenko y Reinhard, quienes lograron correlaciones más altas y consistentes en todas las muestras con valores promedio de 0.9628 y 0.9385. Esto resalta que la elección del método depende del balance entre fidelidad estructural y distribución cromática según el caso.
Descargas
Referencias
C. Kaushal, S. Bhat, D. Koundal, and A. Singla, “Recent Trends in Computer Assisted Diagnosis (CAD) System for Breast Cancer Diagnosis Using Histopathological Images,” IRBM, vol. 40, no. 4, pp. 211–227, Aug. 2019, doi: 10.1016/j.irbm.2019.06.001.
S. yang Tang, L. Li, Y. lin Li, A. yuan Liu, M. jun Yu, and Y. ping Wan, “Distribution and location of Daxx in cervical epithelial cells with high risk human papillomavirus positive,” Diagn Pathol, vol. 9, no. 1, Jan. 2014, doi: 10.1186/1746-1596-9-1.
F. Li, J. Ma, T. Wen, Z. Tian, and H. N. Liang, “HI-Net: A novel histopathologic image segmentation model for metastatic breast cancer via lightweight dataset construction,” Heliyon, vol. 10, no. 19, p. e38410, Oct. 2024, doi: 10.1016/J.HELIYON.2024.E38410.
A. Agrawal and V. Maan, “Enhanced Brain Tumor Segmentation and Size Estimation in MRI Samples using Hybrid Optimization,” Data and Metadata, vol. 3, pp. 408–408, Jan. 2024, doi: 10.56294/DM2024408.
G. A. Ansari, S. S. Bhat, M. D. Ansari, S. Ahmad, and H. A. M. Abdeljaber, “Prediction and Diagnosis of Breast Cancer using Machine Learning Techniques,” Data and Metadata, vol. 3, p. .346-.346, Sep. 2024, doi: 10.56294/DM2024.346.
T. A. Azevedo Tosta, P. R. de Faria, L. A. Neves, and M. Z. do Nascimento, “Computational normalization of H&E-stained histological images: Progress, challenges and future potential,” Artif Intell Med, vol. 95, pp. 118–132, Apr. 2019, doi: 10.1016/J.ARTMED.2018.10.004.
K. de Haan et al., “Deep learning-based transformation of H&E stained tissues into special stains,” Nat Commun, vol. 12, no. 1, Dec. 2021, doi: 10.1038/s41467-021-25221-2.
M. Runz, D. Rusche, S. Schmidt, M. R. Weihrauch, J. Hesser, and C. A. Weis, “Normalization of HE-stained histological images using cycle consistent generative adversarial networks,” Diagn Pathol, vol. 16, no. 1, Dec. 2021, doi: 10.1186/s13000-021-01126-y.
B. Zhao et al., “RestainNet: A self-supervised digital re-stainer for stain normalization,” Computers and Electrical Engineering, vol. 103, Oct. 2022, doi: 10.1016/j.compeleceng.2022.108304.
C. Franchet et al., “Bias reduction using combined stain normalization and augmentation for AI-based classification of histological images,” Comput Biol Med, vol. 171, Mar. 2024, doi: 10.1016/j.compbiomed.2024.108130.
T. A. A. Tosta, A. D. Freitas, P. R. de Faria, L. A. Neves, A. S. Martins, and M. Z. do Nascimento, “A stain color normalization with robust dictionary learning for breast cancer histological images processing,” Biomed Signal Process Control, vol. 85, Aug. 2023, doi: 10.1016/j.bspc.2023.104978.
J. Jeong, K. D. Kim, Y. Nam, C. E. Cho, H. Go, and N. Kim, “Stain normalization using score-based diffusion model through stain separation and overlapped moving window patch strategies,” Comput Biol Med, vol. 152, Jan. 2023, doi: 10.1016/j.compbiomed.2022.106335.
Z. Tabatabaei, F. Pérez Bueno, A. Colomer, J. O. Moll, R. Molina, and V. Naranjo, “Advancing Content-Based Histopathological Image Retrieval Pre-Processing: A Comparative Analysis of the Effects of Color Normalization Techniques,” Applied Sciences (Switzerland), vol. 14, no. 5, Mar. 2024, doi: 10.3390/app14052063.
E. Bütün, M. Uçan, and M. Kaya, “Automatic detection of cancer metastasis in lymph node using deep learning,” Biomed Signal Process Control, vol. 82, p. 104564, Apr. 2023, doi: 10.1016/J.BSPC.2022.104564.
M. Veta, P. J. van Diest, R. Kornegoor, A. Huisman, M. A. Viergever, and J. P. W. Pluim, “Automatic Nuclei Segmentation in H&E Stained Breast Cancer Histopathology Images,” PLoS One, vol. 8, no. 7, p. e70221, Jul. 2013, doi: 10.1371/JOURNAL.PONE.0070221.
M. Macenko et al., “A method for normalizing histology slides for quantitative analysis,” Proceedings - 2009 IEEE International Symposium on Biomedical Imaging: From Nano to Macro, ISBI 2009, pp. 1107–1110, 2009, doi: 10.1109/ISBI.2009.5193250.
E. Reinhard, M. Ashikhmin, B. Gooch, and P. Shirley, “Color transfer between images,” IEEE Comput Graph Appl, vol. 21, no. 5, pp. 34–41, Sep. 2001, doi: 10.1109/38.946629.
A. Vahadane et al., “Structure-Preserving Color Normalization and Sparse Stain Separation for Histological Images,” IEEE Trans Med Imaging, vol. 35, no. 8, pp. 1962–1971, Aug. 2016, doi: 10.1109/TMI.2016.2529665.
A. Sethi et al., “Empirical comparison of color normalization methods for epithelial-stromal classification in H and E images,” J Pathol Inform, vol. 7, no. 1, p. 17, Jan. 2016, doi: 10.4103/2153-3539.179984.
S. Roy, S. Panda, and M. Jangid, “Modified Reinhard Algorithm for Color Normalization of Colorectal Cancer Histopathology Images,” 2021 29th European Signal Processing Conference (EUSIPCO), pp. 1231–1235, Aug. 2021, doi: 10.23919/EUSIPCO54536.2021.9616117.
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Diego Andrés Castellano Carvajal, Sergio Alexander Castro Casadiego, Carlos Vicente Niño Rondón, Byron Medina Delgado
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
