Un método de aprendizaje profundo para contar glóbulos blancos en imágenes de médula ósea

Introducción

La distinción y recuento de los distintos tipos de glóbulos blancos en los frotis de médula ósea funcionan para detectar afecciones como infecciones, anemias y leucemias. Un punto para considerar en la identificación y recuento manual de este tipo de células es el tiempo y la precisión que  depende de la capacidad y experiencia de quien realiza el análisis. Para la optimización de recursos y tiempo, los autores de esta investigación proponen un enfoque de aprendizaje automático utilizando un modelo del tipo Faster RCNN y FPN. En general, estos modelos tienen una estructura similar y su propósito es clasificar objetos mediante redes convolucionales profundas.

Métodos

En esta investigación se sugiere un modelo con el uso del mecanismo de tipo regresión. Se trata de un modelo que estima relaciones entre variables establecidas. Como se puede observar en la figura 1, al momento de adquirir las imágenes de frotis se les aplica lo siguiente:

1. En primer lugar, una red neuronal convolucional para la adquisición de una serie de características en común que se guardan como variables.
2. Una vez obtenidas las características comunes, se pasa a una segunda fase conocida como “Soft Attention”. En esta se llevan a cabo operaciones matemáticas para excluir la información innecesaria, destacando regiones de interés o de enfoque en la imagen.
3. Posteriormente, en la etapa “LSTM” (Long Short-Term Memory), se aplica una red basada en la predicción de secuencias para aprender. Este enfoque permite resaltar con mayor precisión las zonas de interés en las muestras obtenidas.
4. Finalmente, se aplica una fase “Actor-Critic” que realiza la clasificación final y la regresión de las imágenes.

Figura 1.

Mecanismo para la regresión propuesta.

Resultados

El modelo propuesto logró clasificar distintos tipos de glóbulos blancos con valores de precisión de 74,4%, 85,3%, 86,3%, 98,8%, 83,1% y 75,5%. En la figura 2, se pueden apreciar 6 distintos tipos de glóbulos blancos clasificados y etiquetados por el sistema.

Figura 2.

Muestra de imágenes obtenidas con la clasificación de 6 tipos de células encontradas.

Conclusión

El método es adecuado para conjuntos de datos de glóbulos blancos y los autores aseguran que podría ser utilizado adicionalmente para otros tipos de células, incluyendo células tumorales. El método permite ciclos de iteración más rápidos, un menor costo de mano de obra y mejores resultados para los pacientes. Aunque este enfoque requiere ser más estudiado y probado con un mayor número de muestras, se puede identificar como una herramienta útil para los especialistas. Esto, ya que la detección de estructuras es rápida y al mismo tiempo, estos sistemas al detectar características cuantitativas de las imágenes, tienen una mejor apreciación de las distinciones entre células en cada estudio.

Traducido y adaptado de:  Wang, D., Hwang, M., Jiang, W. C., Ding, K., Chang, H. C. & Hwang, K. S. (2021). A deep learning method for counting white blood cells in bone marrow images. BMC Bioinformatics, 22(S5). https://doi.org/10.1186/s12859-021-04003-z