Resumen (Objetivo): El objetivo era desarrollar un algoritmo automatizado para la estimación de un índice de proteína (Ki67), basado en la razón del área del núcleo celular de las células del tejido epitelial gástrico, utilizando imágenes digitales de histopatología. (Metodología): Cada región de interés de las imágenes fue anotada manualmente por un experto. Se utilizó una proporción de células Ki-67 positivas y negativas dentro de esa región para obtener la distribución de color de los píxeles correspondientes. El histograma de cada distribución de color se modeló como una Gaussiana y luego se estableció un umbral para la segmentación y clasificación. Finalmente, el índice Ki-67 se estimó como la relación entre el área positiva segmentada de los núcleos dividida por el área total de los núcleos positivos y negativos. (Resultados): El método automatizado tiene una fuerte correlación de 0,725 y un error cuadrático medio de 0,293, en comparación con el método manual, lo que da certeza de que el método automatizado se puede utilizar para analizar la tasa de proliferación. Además, en comparación con la clasificación manual, el método presentado clasifica automáticamente cada imagen en la misma categoría Ki-67: baja, intermedia y alta. (Conclusión): A pesar del pequeño tamaño de la muestra, se demostró la utilidad del método presentado. Sin embargo, el bajo número de imágenes puntuadas no permitió muestrear completamente los rangos de valores de píxeles y las intensidades observadas por los patólogos, lo cual será abordado en un trabajo futuro.
Resumo (Objetivo): O objetivo foi desenvolver um algoritmo automatizado para a estimativa de um índice de proteína (Ki-67) baseado na razão da área do núcleo celular das células do tecido epitelial gástrico, utilizando imagens digitais de histopatologia. (Metodologia): Cada região de interesse nas imagens foi anotada manualmente por um especialista. Foi usada uma proporção de células Ki-67 positivas e negativas dentro dessa região para obter a distribuição de cores dos pixels correspondentes. O histograma de cada distribuição de cores foi modelado como uma Gaussiana e, em seguida, foi definido um limite para a segmentação e a classificação. Por fim, o índice Ki-67 foi estimado como a relação entre a área positiva segmentada dos núcleos dividida pela área total dos núcleos positivos e negativos. (Resultados): O método automatizado apresenta forte correlação de 0,725 e erro quadrático médio de 0,293, em relação ao método manual, o que dá certeza de que o método automatizado pode ser utilizado para analisar a taxa de proliferação. Além disso, em comparação com a classificação manual, o método apresentado classifica automaticamente cada imagem na mesma categoria Ki-67: baixa, média e alta. (Conclusões): Apesar do pequeno tamanho da amostra, foi demonstrada a utilidade do método apresentado. No entanto, o baixo número de imagens pontuadas não permitiu a amostragem completa das faixas de valores de pixels e intensidades observadas pelos patologistas, o que será abordado em trabalhos futuros.
Abstract (Objective): The objective was to develop an automated algorithm for the estimation of a protein (Ki-67) index based on cell nuclei area ratio of gastric epithelial tissue cells; for this purpose, digital histopathology images were used. (Methodology): An expert manually annotated each region of interest of the images. A proportion of Ki-67 positive and negative cells within that region was used to obtain the color distribution of the corresponding pixels. The histogram of each color distribution was modeled as a Gaussian and, later, thresholded for segmentation and classification. Finally, the Ki-67 index was estimated as the ratio between the segmented positive area of the nuclei divided by the total area of the positive and negative nuclei. (Results): The automated method has a strong correlation of 0.725 and a root mean square error of 0.293 when compared to the manual method, which gives certainty that the automated method can be used to analyze the proliferation rate. Furthermore, compared to manual classification, the presented method automatically classifies every image in the same Ki-67 category: low, intermediate, and high. (Conclusion): Despite the small sample size, the utility of the presented method was demonstrated. However, the low number of scored images did not allow for thoroughly sampling the ranges of pixel values and intensities observed by pathologists, which will be addressed in future work.
