Mejorando la detección de objetos en imágenes de histología

La Detección de Objetos es un proceso que ayuda a encontrar e identificar elementos importantes en imágenes. Esto es especialmente útil en imágenes médicas, como las que se utilizan para diagnosticar enfermedades. Los avances recientes en tecnología, especialmente en aprendizaje profundo, han hecho grandes progresos para mejorar cómo detectamos objetos en imágenes médicas. Un área de enfoque son las imágenes de histología, que se utilizan para examinar tejidos bajo un microscopio. En este artículo, presentamos un nuevo método para mejorar la detección de objetos en este tipo de imágenes.

#El desafío de la detección de objetos

Cuando un modelo de detección mira una imagen, a menudo da predicciones con un puntaje de confianza. Este puntaje muestra cuán seguro está el modelo de que ha identificado correctamente un objeto. Por ejemplo, si un modelo predice que una cierta área contiene un tumor con un puntaje de confianza de 0.90, eso significa que está bastante seguro de su predicción. Sin embargo, si el puntaje es solo 0.60, hay más incertidumbre.

Elegir el puntaje de confianza correcto es crucial durante la prueba. Si establecemos el umbral demasiado alto, el modelo puede perder la detección de algunos objetos, lo que lleva a falsos negativos. Por otro lado, si lo fijamos demasiado bajo, podríamos terminar con muchos falsos positivos, donde el modelo identifica incorrectamente objetos.

Una práctica común es probar diferentes umbrales usando un conjunto de validación y elegir el mejor para el despliegue real. Sin embargo, este enfoque tiene varias desventajas. Los objetos diferentes vienen en formas y tamaños variados, haciendo que un solo umbral no sea suficiente para todos los casos. Además, cuando los datos de prueba se alejan de los datos de entrenamiento, el umbral elegido puede volverse ineficaz.

#Introduciendo un nuevo método

Para abordar estos desafíos, presentamos un método llamado Propagación de Cajas Delimitadoras Autoguiada en Tiempo de Prueba (TSBP). Esta técnica utiliza las predicciones con alta confianza para ayudar a mejorar las de baja confianza. Específicamente, TSBP ajusta las etiquetas de las predicciones de baja confianza basándose en la información de las de alta confianza.

Al enfocarse en las similitudes visuales entre estas cajas delimitadoras, TSBP refina los resultados de detección. Este enfoque es diferente de los métodos tradicionales, ya que no requiere datos etiquetados adicionales para el entrenamiento o otros parámetros, haciéndolo más fácil y eficiente de usar en la práctica.

#El mecanismo de TSBP

El método TSBP opera a través de una serie de pasos. Primero, recolecta cajas delimitadoras del modelo de detección. Estas cajas pueden venir con una gama de puntajes de confianza. Las cajas de alta confianza se utilizan como referencia para ajustar las predicciones de las cajas de baja confianza.

Para lograr esto, TSBP emplea un proceso donde primero categoriza las cajas delimitadoras según sus puntajes de confianza. Las cajas de alta confianza se apartan como cajas confirmadas, mientras que las demás permanecen como candidatas.

A continuación, el método utiliza una métrica de distancia para evaluar cuán similares son las cajas entre sí visualmente. Esto ayuda a determinar qué cajas de baja confianza pueden ser influenciadas por las cajas de alta confianza. La adopción de la Distancia de Transporte de Tierra (EMD) ayuda en este proceso de emparejamiento.

El modelo pasa por múltiples rondas de este proceso de emparejamiento y refinamiento. En las primeras rondas, utiliza criterios estrictos para agregar nuevas cajas al conjunto confirmado. A medida que las rondas continúan, los criterios se vuelven menos estrictos, permitiendo más coincidencias y refinamientos potenciales.

#Pruebas del método TSBP

Para validar nuestro enfoque, realizamos experimentos utilizando dos conjuntos de datos. El primer conjunto de datos consiste en imágenes de diapositivas de tejido del colon, mientras que el segundo contiene imágenes de células de varios órganos. Para cada conjunto de datos, probamos el método TSBP junto con otros métodos de calibración conocidos para ver qué tan bien funcionaba.

Los resultados fueron prometedores. TSBP logró tasas de detección más altas que el método base y otras técnicas de calibración sin depender de datos etiquetados adicionales. Esta es una ventaja significativa, especialmente cuando los datos etiquetados pueden no estar disponibles fácilmente.

#Resultados visuales de TSBP

Al comparar los resultados visuales, TSBP mostró consistentemente un mayor número de Verdaderos Positivos. Los verdaderos positivos se refieren a instancias donde el modelo identifica correctamente un objeto. Por ejemplo, en un conjunto de imágenes, TSBP encontró adicionales verdaderos positivos que otros métodos pasaron por alto.

Si bien algunos métodos competidores también añadieron verdaderos positivos, a menudo venían con más falsos positivos, instancias donde el modelo identificó incorrectamente áreas como si contuvieran un objeto. TSBP logró mantener un mejor equilibrio entre la detección de objetos reales mientras minimizaba las predicciones incorrectas.

#Más ideas y estudios

También exploramos cómo los cambios en el umbral de confianza inicial impactaron el rendimiento de TSBP. Umbrales iniciales más bajos generalmente llevaron a mejores resultados de detección, ya que permitieron que el método abarcara una gama más amplia de apariencias de objetos.

El paso de agrupamiento K-means dentro de TSBP también mostró cierta sensibilidad a varios parámetros, pero en general, las fluctuaciones en el rendimiento fueron mínimas. La primera etapa de la propagación de cajas delimitadoras tuvo consistentemente tasas de error más bajas en comparación con la segunda etapa, apoyando el diseño del método donde las rondas iniciales tienden a ofrecer mayor precisión.

#Conclusión

El método TSBP ilumina cómo podemos usar las predicciones de alta confianza existentes para mejorar la detección de objetos en imágenes de histología. Al aprovechar la información visual de manera efectiva, TSBP ofrece una nueva estrategia que mejora la precisión de detección sin necesidad de datos etiquetados adicionales para el entrenamiento y la calibración.

Estos avances no solo abren nuevas posibilidades en el análisis de imágenes médicas, sino que también sugieren que una mayor exploración de este método para otras aplicaciones en tiempo de prueba podría dar resultados impresionantes. A medida que la tecnología continúa evolucionando, también lo harán las formas en que analizamos e interpretamos datos visuales complejos en diagnósticos médicos.