ES2898148B2 - Sistema configurado para detectar una lesion cancerigena situada en una porcion de tejido humano y metodo - Google Patents
Sistema configurado para detectar una lesion cancerigena situada en una porcion de tejido humano y metodo Download PDFInfo
- Publication number
- ES2898148B2 ES2898148B2 ES202030899A ES202030899A ES2898148B2 ES 2898148 B2 ES2898148 B2 ES 2898148B2 ES 202030899 A ES202030899 A ES 202030899A ES 202030899 A ES202030899 A ES 202030899A ES 2898148 B2 ES2898148 B2 ES 2898148B2
- Authority
- ES
- Spain
- Prior art keywords
- electromagnetic spectrum
- robot arm
- human tissue
- module
- acquisition module
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000003902 lesion Effects 0.000 title claims description 60
- 238000000034 method Methods 0.000 title claims description 32
- 238000001228 spectrum Methods 0.000 claims description 81
- 238000004422 calculation algorithm Methods 0.000 claims description 22
- 238000005259 measurement Methods 0.000 claims description 17
- 206010028980 Neoplasm Diseases 0.000 claims description 13
- 201000011510 cancer Diseases 0.000 claims description 13
- 238000012937 correction Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 12
- 230000005670 electromagnetic radiation Effects 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000003066 decision tree Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 239000012925 reference material Substances 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 3
- 239000006185 dispersion Substances 0.000 claims 1
- 239000013598 vector Substances 0.000 claims 1
- 230000003595 spectral effect Effects 0.000 description 23
- 201000001441 melanoma Diseases 0.000 description 8
- 208000000453 Skin Neoplasms Diseases 0.000 description 7
- 238000005286 illumination Methods 0.000 description 7
- 230000035945 sensitivity Effects 0.000 description 7
- 238000002203 pretreatment Methods 0.000 description 6
- 238000012706 support-vector machine Methods 0.000 description 6
- 238000001574 biopsy Methods 0.000 description 4
- 229910052736 halogen Inorganic materials 0.000 description 4
- 150000002367 halogens Chemical class 0.000 description 4
- 201000000849 skin cancer Diseases 0.000 description 4
- 206010040882 skin lesion Diseases 0.000 description 4
- 231100000444 skin lesion Toxicity 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 3
- 230000037311 normal skin Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- 238000010146 3D printing Methods 0.000 description 1
- 201000009030 Carcinoma Diseases 0.000 description 1
- 208000007256 Nevus Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 210000000078 claw Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000002498 deadly effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000037390 scarring Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 229910052724 xenon Inorganic materials 0.000 description 1
- FHNFHKCVQCLJFQ-UHFFFAOYSA-N xenon atom Chemical compound [Xe] FHNFHKCVQCLJFQ-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Description
DESCRIPCIÓN
SISTEMA CONFIGURADO PARA DETECTAR UNA LESIÓN CANCERÍGENA
SITUADA EN UNA PORCIÓN DE TEJIDO HUMANO Y MÉTODO
El objeto de la presente solicitud está relacionado con un sistema configurado para detectar una lesión cancerígena situada en una porción de tejido humano. La presente solicitud también está relacionada con un método configurado para detectar una lesión cancerígena situada en una porción de tejido humano.
ESTADO DE LA TÉCNICA ANTERIOR
El cáncer de piel supone actualmente uno de cada tres diagnósticos de cáncer. La incidencia de los cánceres de piel “no melanoma” y “melanoma ha aumentado en las últimas décadas. Actualmente, entre 2 y 3 millones de cánceres de piel “no melanoma” y 132.000 cánceres de piel tipo “melanoma” se diagnostican en todo el mundo cada año.
El “melanoma", el cáncer de piel más mortífero, se forma primero en las capas superiores de la piel. Cuando hay metástasis, las células cancerosas del melanoma ingresan en los vasos sanguíneos y proliferan por todo el cuerpo. El melanoma es altamente mortífero si no se detecta en las primeras etapas. Sin embargo, se puede curar, con una tasa de supervivencia de casi el 100%, si se detecta y elimina en una etapa temprana de su desarrollo.
Es conocido que, durante un examen convencional, los dermatólogos examinen visualmente la piel en busca de lesiones o lunares que se ajusten a ciertos criterios predefinidos relacionados con una posible lesión cancerígena. Si un área es sospechosa, el médico puede realizar una biopsia, enviando el tejido a un laboratorio para su diagnóstico. Aunque efectivo, este método de detección es lento, invasivo y no proporciona un diagnóstico definitivo inmediato de la lesión sospechosa. Particularmente, realizar una biopsia es un procedimiento invasivo, doloroso y posiblemente innecesario en los casos en que la lesión resulte ser benigna.
Además, esta técnica puede dar lugar a falsos positivos que pueden llevar a biopsias innecesarias y a costes extras. Adicionalmente, la detección temprana es muy difícil de
llevar a cabo con esta técnica, ya que las lesiones cancerígenas de la piel en desarrollo generalmente no son visibles.
También son conocidos procedimientos no invasivos para detectar lesiones en la piel. Estos procedimientos no invasivos tienen el beneficio de que pueden causar un dolor mínimo o nulo al paciente, evitan cicatrices, la recuperación suele ser inmediata y se pueden evitar las complicaciones posquirúrgicas. Sin embargo, para las lesiones en la piel, la precisión diagnóstica de estas técnicas no invasivas puede ser cuestionable.
Por lo tanto, es un objeto de la presente invención proporcionar sistemas y métodos para detectar una lesión cancerígena situada en una porción de tejido humano que resuelvan algunos de los problemas antes mencionados.
EXPLICACIÓN DE LA INVENCIÓN
En un primer aspecto, un sistema configurado para detectar una lesión cancerígena situada en una porción de tejido humano es provisto. El sistema está caracterizado por el hecho de que el sistema comprende: un módulo de adquisición de imágenes configurado para adquirir una o más imágenes de una porción de tejido humano, donde el módulo de adquisición de imágenes comprende uno o más cámaras hiperespectrales configuradas para adquirir una imagen hiperespectral de la porción del tejido humano, un módulo de extracción de información configurado para extraer un espectro electromagnético para cada píxel comprendido en cada imagen adquirida por el módulo de adquisición de imágenes, donde el espectro electromagnético incluye una pluralidad de longitudes de onda y un módulo de discriminación de lesiones cancerígenas configurado para recibir el espectro electromagnético para cada píxel extraído por el módulo de extracción de información y aplicar uno o más algoritmos de detección para evaluar la condición del tejido. El sistema comprende también un brazo robot, donde el módulo de adquisición de imágenes está acoplado al brazo robot, caracterizado por el hecho de que el brazo robot comprende: un sensor de distancia configurado para medir una distancia entre el sensor de distancia y una región de la porción del tejido humano y un módulo de control del brazo robot configurado para recibir la distancia medida por el sensor de distancia del brazo robot y reposicionar el brazo robot de manera que la distancia recibida por el módulo de control se mantenga en un rango de distancias con relación a cualquier región de la porción de tejido humano durante un desplazamiento del brazo robot.
Según este primero aspecto, se provee un módulo de adquisición de imágenes que comprende cámaras hiperespectrales configuradas para adquirir una o más imágenes hiperespectrales de una porción del tejido humano. Las cámaras hiperespectrales permiten obtener información sobre un paciente que no es fácilmente identificable a simple vista. Por ejemplo, incluso si la supuesta lesión cancerígena puede ser visualmente identificable, la extensión real de la lesión o qué tipo de condición presenta la lesión puede no ser discernible en una inspección visual, por ejemplo, puede no ser fácil identificar si la lesión es benigna o cancerosa. Por el contrario, el uso de cámaras hiperespectrales es una potente herramienta que permite identificar de manera sencilla y rápida lesiones cancerígenas.
En concreto, las cámaras hiperespectrales permiten adquirir una o más imágenes de una porción del tejido humano. El módulo de extracción de información permite extraer múltiples regiones espectrales de cada uno de los píxeles de las imágenes adquiridas por las cámaras hiperespectrales. Cada región particular de la porción del tejido humano a analizar de un paciente tiene una firma espectral única que se extiende a través de múltiples bandas del espectro electromagnético. Esta firma espectral contiene información sobre la región correspondiente del paciente.
Por ejemplo, si el paciente tiene una lesión cutánea cancerosa, esa lesión puede tener un color, densidad y / o composición diferente que la piel normal del paciente, lo que da como resultado que la lesión tenga un espectro electromagnético (que incluye una pluralidad de longitudes de onda), diferente al de la piel normal. Si bien estas diferencias pueden ser difíciles de detectar visualmente, las diferencias pueden hacerse evidentes a través del análisis del espectro electromagnético de los píxeles de las imágenes hiperespectrales extraídos mediante el módulo de extracción de información. Este análisis se lleva a cabo usando el módulo de discriminación de lesiones cancerígenas, aplicando algoritmos específicos de discriminación y detección de lesiones cancerígenas. De esta manera, una posible lesión cancerígena situada en una porción del tejido humano puede ser identificada, caracterizada y finalmente tratada más fácilmente de lo que sería posible con una inspección visual convencional y / o una biopsia.
Adicionalmente, el módulo de adquisición de imágenes (y, por tanto, las cámaras hiperespectrales comprendidas en este módulo), pueden estar situadas en un brazo robot. De esta manera, se puede mejorar y facilitar el posicionamiento de las cámaras hiperespectrales con relación al paciente. En concreto, se puede facilitar la inspección
de distintas partes de una lesión cancerígena, situada en una porción de tejido humano del paciente, sin necesidad de mover al paciente.
Además, el robot está provisto con un sensor de distancia configurado para medir una distancia entre el sensor de distancia y una región de la porción del tejido humano del paciente y un módulo de control del brazo robot configurado para recibir la distancia medida por el sensor de distancia del brazo robot y reposicionar el brazo robot de manera que la distancia recibida por el módulo de control se mantenga en un rango de distancias con relación a cualquier región de la porción de tejido humano, durante un desplazamiento del brazo robot a lo largo de la porción de tejido humano. De esta manera, las cámaras hiperespectrales se pueden mantener a una distancia dentro de un rango de distancias con relación a una región de la porción del ser humano que debe ser analizado (durante, por ejemplo, el desplazamiento de la cámara, entre dos regiones de la porción del tejido humano, usando el brazo robot) y, por lo tanto, las cámaras hiperespectrales se pueden mantener correctamente enfocadas durante el desplazamiento de las cámaras (usando el robot) a lo largo de la porción de tejido a analizar.
En ejemplos, la distancia recibida por el brazo robot se mantiene en un rango de distancias entre 14 centímetros y 16 centímetros con relación a cualquier región de la porción de tejido humano durante un desplazamiento del brazo robot, específicamente 15 centímetros.
De acuerdo con un ejemplo del sistema, el brazo robot es un robot industrial, donde el robot industrial comprende tres o más ejes con al menos dos grados de libertad (por cada articulación que forma parte del brazo robot).
En un ejemplo del sistema, el sistema comprende además una o más fuentes de luz acopladas al brazo robot y configuradas para iluminar la porción del tejido humano para las cámaras hiperespectrales, donde las fuentes de luz están configuradas para emitir radiación electromagnética en un rango de longitudes de onda entre 380 nm y 2500 nm, opcionalmente las fuentes de luz están configuradas para emitir radiación electromagnética en un rango de longitudes de onda entre 380 nm y 1000 nm o en un rango de longitudes de onda entre 900 y 1700 nanómetros.
En otro ejemplo, el brazo robot comprende una herramienta (o garra) configurada para sostener las cámaras hiperespectrales y las fuentes de luz.
En ejemplos, la herramienta comprende un alojamiento montado en un extremo del brazo robot, donde el alojamiento comprende una superficie interior, dos paredes laterales y un espacio formado en el interior del alojamiento, donde las cámaras hiperespectrales, en uso, están situados en el espacio formado en el interior del alojamiento unidos a la superficie interior.
En un ejemplo adicional, el alojamiento comprende además un soporte con sección transversal en forma de U y configurado para sostener el sensor de distancia, donde el soporte para sostener el sensor de distancia está situado en el espacio formado en el interior del alojamiento y unido a la superficie interior.
En ejemplos, las paredes laterales del alojamiento están configuradas para sostener las luces, donde las paredes laterales están configuradas para pivotar con relación a la superficie interior del alojamiento, donde, en uso, las paredes laterales están situadas entre 40 y 50 grados con relación al plano definido por la superficie interior del alojamiento, opcionalmente están situadas a 45 grados.
En otros ejemplos, las cámaras hiperespectrales del módulo de adquisición de imágenes están configuradas para operar en un rango de longitudes de onda del espectro electromagnético entre 400 nm y 2500 nm, opcionalmente el módulo de adquisición de imágenes comprende dos cámaras hiperespectrales, donde la primera cámara hiperespectral está configurada para operar en un rango de longitudes de onda del espectro electromagnético entre 400 nm y 1000 nm y la segunda cámara hiperespectral está configurada para operar en un rango de longitudes de onda del espectro electromagnético entre 1000 nm y 1700 nm.
En ejemplos, el sistema comprende además un módulo de corrección del espectro electromagnético configurado para corregir el espectro electromagnético extraído para cada píxel comprendido en cada imagen adquirida por el módulo de adquisición de imágenes.
En otros ejemplos, el módulo de corrección del espectro electromagnético está adaptado para:
recibir una primera imagen adquirida por el módulo de adquisición de imágenes cuando las cámaras hiperespectrales no reciben luz,
obtener una medida (Rn) relacionada con el espectro electromagnético para un píxel comprendido en la primera imagen, donde la medida Rn comprende una pluralidad de longitudes de onda,
recibir una segunda imagen adquirida por el módulo de adquisición de imágenes de un material de referencia iluminado con radiación electromagnética en un rango de longitudes de onda entre 400 nm y 2500 nm,
obtener una medida (Rb) relacionada con el espectro electromagnético para un píxel comprendido en la segunda imagen, donde la medida Rb comprende una pluralidad de longitudes de onda,
obtener, para cada medida del espectro electromagnético (M) de cada píxel comprendido en cada imagen adquirida por el módulo de adquisición de imágenes, una medida del espectro electromagnético corregido (Rc) siguiendo la siguiente ecuación:
R
c
= M-R
n
/R
b
-R
n
En ejemplos, el sistema comprende además un módulo de pre-procesado del espectro electromagnético configurado para pre-procesar el espectro electromagnético extraído para cada píxel comprendido en cada imagen adquirida por el módulo de adquisición de imágenes, donde el módulo de pre-procesado está configurado para seleccionar uno de los siguientes algoritmos para pre-procesar el espectro electromagnético: centrado y escalado por varianza unidad, centrado en media, suavizado de Savitzky-Golay, primera derivada de Savitzky-Golay, segunda derivada de Savitzky-Golay, Escala de varianza normal estándar (Standard Normal Variate scaling) (SNV), Dispersión multiplicativa / corrección de señal (Multiplicative scatter/signal correction) (MSC).
En algunos ejemplos, el módulo de discriminación de lesiones cancerígenas está configurado para seleccionar uno o más de los siguientes algoritmos de detección de lesiones cancerígenas: árboles de decisión, máquinas de soporte de vectores (support vector machines) (SVM), redes neuronales (NN), redes neuronales convolucionales (CNN), Bosques aleatorios (Random Forest) o proyección de estructuras latentes con análisis discriminante (PLSDA).
En un segundo aspecto, se provee un método para detectar una lesión cancerígena situada en una porción de tejido humano utilizando un sistema según el primer aspecto. El método caracterizado por el hecho de que comprende: situar el sensor de distancia
del brazo robot a una distancia predeterminada dentro de un rango de distancias con relación a una región de una porción del tejido humano, desplazar el brazo robot de manera que la distancia del sensor de distancia del brazo robot con relación a cualquier región de la porción del tejido humano se mantenga dentro del rango de distancias, recibir una o más imágenes hiperspectrales de la porción de tejido humano, extraer el espectro electromagnético para cada píxel comprendido en cada imagen adquirida por el módulo de adquisición de imágenes, donde el espectro electromagnético incluye una pluralidad de longitudes de onda. El método comprende además para cada espectro electromagnético extraído, aplicar uno o más algoritmos de detección para evaluar una condición relacionada con la presencia de una lesión cancerígena del tejido de manera que se detecte una lesión cancerígena.
De acuerdo con este segundo aspecto, el brazo robot (y, por tanto, el módulo de adquisición de imágenes, con las cámaras hiperespectrales, unido al brazo robot), se sitúa a una distancia predeterminada dentro de un rango de distancias con relación a una región de la porción de tejido humano. Durante el desplazamiento del brazo robot, la distancia con relación a cualquier región de la porción del tejido humano a analizar se mantiene dentro del rango de distancias. De esta manera, las cámaras hiperespectrales no se desenfocan y se puede capturar imágenes nítidas de la región de la piel del ser humano a analizar.
En ejemplos, el método comprende seleccionar una o más longitudes de onda para cada espectro electromagnético extraído dependiendo del tipo de lesión cancerígena a evaluar.
BREVE DESCRIPCIÓN DE LOS DIBUJOS
A continuación, se describirán realizaciones particulares de la presente invención a título de ejemplo no limitativo, con referencia a los dibujos adjuntos, en los cuales:
La figura 1 muestra un diagrama de bloques de un sistema configurado para detectar una lesión cancerígena situada en una porción de tejido humano;
La figura 2a muestra un ejemplo de un sistema configurado para detectar una lesión cancerígena situada en una porción de tejido humano;
La figura 2b muestra un ejemplo de un brazo robot y una herramienta situada en un extremo del brazo robot, donde ambos elementos forman parte de sistema de la figura 2a;
La figura 2c muestra un ejemplo de un detalle de la herramienta para sostener elementos de iluminación, cámaras hiperespectrales y un sensor de distancia, donde la herramienta forma parte del sistema de la figura 2a;
La figura 3 muestra un ejemplo de un diagrama de flujo de un método para detectar una lesión cancerígena situada en una porción de tejido humano.
EXPOSICIÓN DETALLADA DE MODOS DE REALIZACIÓN
A lo largo de la presente descripción y reivindicaciones, el término “región de la porción de tejido humano’’ hace referencia a una superficie de la porción de tejido humano p.ej. un punto con relación al cual el sensor de distancia mide la distancia entre el sensor de distancia del brazo robot y la porción de tejido humano. La superficie de esta “región de la porción del tejido humano” puede variar p.ej. entre 1 mm2 y 10 cm2.
La figura 1 es un diagrama de bloques de un sistema configurado para detectar una lesión cancerígena situada en una porción de tejido humano. El sistema 110 comprende un módulo de adquisición de imágenes 115, un módulo de extracción de información 125, un módulo de corrección del espectro electromagnético 126, un módulo de pre procesado del espectro electromagnético 127 y un módulo de discriminación de lesiones cancerígenas 130.
El módulo de adquisición de imágenes 115 comprende una o más cámaras hiperespectrales 105 configuradas para adquirir una imagen hiperespectral de una porción del tejido humano. Las cámaras hiperespectrales pueden ser p.ej. de óptica fija. Las cámaras hiperespectrales 105 pueden estar p.ej. conectadas al módulo de adquisición de imágenes 115. Las cámaras hiperespectrales 105 pueden tomar y almacenar una o más imágenes hiperespectrales de una porción del tejido del ser humano que subsecuentemente serán procesadas por el sistema 110. En ejemplos, las cámaras hiperespectrales 105 pueden formar parte del módulo de adquisición de imágenes 115 o pueden estar conectadas externamente al módulo de adquisición de imágenes 115. La conexión externa puede ser cableada o inalámbrica.
Para lograr un cierto nivel de reproducibilidad y con el objetivo de obtener imágenes hiperespectrales adecuadas, las cámaras hiperespectrales 105 y / o el módulo de
adquisición de imágenes 115 pueden parametrizarse de acuerdo con los requisitos de una aplicación específica p.ej. un tipo específico de lesión cancerígena en la piel. Adicionalmente, cada una de las imágenes hiperespectrales adquiridas por la cámara puede contener todo tipo de metadatos que pueden ser útiles para el correcto análisis de la imagen. Por ejemplo, características del paciente, información clínica del paciente, hora y fecha de adquisición de la imagen, edad del paciente, peso, etc.... Esta información puede ser usada p.ej. por los algoritmos de predicción en la fase de discriminación de lesiones cancerígenas.
En ejemplos, el sistema 110 puede estar provisto con p.ej. dos cámaras hiperespectrales 105 p.ej. una cámara FX10 y una cámara FX17 ambas de la empresa Specim. Las cámaras hiperespectrales pueden estar configuradas para operar entre 400 nm y 2500 nm. En ejemplos, una primera cámara hiperespectral puede estar configurada para operar en un rango de longitudes de onda del espectro electromagnético entre 400 nm y 1000 nm (448 bandas espectrales). La segunda cámara hiperespectral puede estar configurada para operar en un rango de longitudes de onda del espectro electromagnético entre 1000 nm y 1700 nm (224 longitudes de onda). De esta manera, la porción de tejido humano a analizar puede caracterizarse en un rango espectral amplio con el objetivo de obtener la mayor información posible sobre la lesión.
El módulo de adquisición de imágenes 115 puede comprender también un subsistema de iluminación 106. El subsistema de iluminación 106 puede incluir fuentes de luz halógenas p.ej. cuatro lámparas de 35 Watios y 12 voltios. Las lámparas pueden estar controladas por un regulador de tensión que facilite su encendido y apagado, así como, la regulación de la intensidad de la luz. En ejemplos, la intensidad de luz puede ser regulada dependiendo del tipo de lesión en la piel.
Las luces halógenas producen una luz intensa de banda ancha que puede considerarse una réplica cercana del espectro electromagnético relacionado con la luz diurna. Otras fuentes de luz adecuadas pueden ser p.ej. una lámpara de xenón y / o un diodo o conjunto de diodos emisores de luz. Otros tipos de fuentes de luz también podrían ser adecuados. De cualquier manera, el subsistema de iluminación 106 está configurado para emitir radiación electromagnética en un rango de longitudes de onda entre 380 nm y 2500 nm. En ejemplos, las fuentes de luz halógenas pueden estar configuradas para emitir radiación electromagnética en un rango de longitudes de onda entre 380 nm y 750
1
nm (luz visible) o en un rango de longitudes de onda entre 0.7 micrómetros y 2500 nm (luz infrarroja).
Siguiendo con el ejemplo, el subsistema de iluminación 106 está configurado para irradiar la porción del tejido humano a analizar con una luz lo suficientemente intensa para permitir que las cámaras hiperespectrales 105 obtengan un espectro electromagnético de calidad de la porción de tejido humano a analizar, es decir, un espectro electromagnético con una relación señal / ruido adecuada para poder obtener información médica sobre la porción de tejido humano. Sin embargo, en algunos ejemplos, la luz ambiental, por ejemplo, la luz fluorescente, halógena o incandescente en la habitación, o incluso la luz solar, pueden ser una fuente de luz adecuada. De esta manera, el subsistema de iluminación 106 podría no estar activado o el sistema podría incluso no incluir el sistema de iluminación 106.
La luz del subsistema de iluminación 106 está configurada para actuar con una pluralidad de áreas o regiones dentro de la porción del tejido del ser humano a analizar. La interacción entre la luz y cada área depende de la estructura fisiológica y las características de esa área. La interacción entre la luz y cada área irradiada del paciente imparte una firma espectral sobre la luz obtenida de esa área. Esta firma espectral se puede utilizar para obtener información médica sobre esa área. Específicamente, las diferentes áreas interactúan de manera diferente con la luz dependiendo de la presencia de, por ejemplo, una afección médica en la región. Por ejemplo, la grasa, la piel, la sangre y el tejido interactúan con varias longitudes de onda de luz de manera diferente entre sí. De manera similar, un tipo dado de lesión cancerosa interactúa con varias longitudes de onda del espectro electromagnético de manera diferente de la piel normal, de las lesiones no cancerosas y de otros tipos de lesiones cancerosas. Por lo tanto, la luz obtenida de cada área irradiada del sujeto tiene una firma espectral basada en las características de la región, cuya firma espectral contiene información médica sobre esa región.
El módulo de extracción de información 125 permite la extracción de información para cada píxel para cada una las imágenes hiperespectrales previamente capturadas con el módulo de adquisición de imágenes. Esta información puede contener un espectro electromagnético (para cada píxel de la imagen provista por las cámaras hiperespectrales), donde el espectro electromagnético comprende una pluralidad de longitudes de onda.
En algunos ejemplos, el sistema puede comprender un módulo de corrección del espectro electromagnético 126. El módulo de corrección del espectro electromagnético 126 está configurado para corregir el espectro electromagnético extraído para cada píxel por parte del módulo de extracción de información 125. En concreto, cada uno de los espectros electromagnéticos puede corregirse con relación a dos referencias. La primera referencia es la referencia de oscuridad (Rn), es decir, el espectro que genera una o más cámaras hiperespectrales 105 cuando no entra ninguna señal en las mismas i.e. una señal que hace referencia al ruido electrónico interno de las cámaras. Particularmente, el módulo 126 está configurado para recibir una primera imagen adquirida por el módulo de adquisición de imágenes 115 cuando las cámaras hiperespectrales no reciben luz y obtener una medida (Rn) relacionada con el espectro electromagnético para un píxel comprendido en la primera imagen, donde la medida Rn comprende una pluralidad de longitudes de onda,
La segunda referencia es la referencia blanca (Rb). Esta referencia está relacionada con un material de referencia que tiene una respuesta homogénea a la radiación electromagnética y que, además, es lo más estable posible, con relación a dicha respuesta, tanto espacial como temporalmente. Esto permitirá compensar diferencias de homogeneidad de la luz, tanto espaciales (que la luz no sea exactamente igual a lo largo de la línea de medida) como temporales (las variaciones de luz con el tiempo por variaciones de la alimentación o desgaste de las lámparas, por ejemplo).
Particularmente, el módulo de corrección del espectro electromagnético 126 está adaptado para: recibir una segunda imagen adquirida por el módulo de adquisición de imágenes del material de referencia comentado previamente, donde el material se ilumina con radiación electromagnética en un rango de longitudes de onda entre 400 nm y 2500 nm, y obtener una medida (Rb) relacionada con el espectro electromagnético para un píxel comprendido en la segunda imagen, donde la medida Rb comprende una pluralidad de longitudes de onda,
Empleando estas referencias (Rn, Rb), el módulo de corrección del espectro electromagnético 126 está adaptado para obtener, para cada medida del espectro electromagnético (M) de cada píxel comprendido en cada imagen adquirida por el módulo de adquisición de imágenes, una medida del espectro electromagnético corregido (Rc) siguiendo la siguiente ecuación:
R
c
= M-R
n
/R
b
-R
n
En ejemplos, el sistema puede comprender también un módulo de pre-procesado del espectro electromagnético 127. El módulo de pre-procesado del espectro electromagnético 127 está configurado para pre-procesar el espectro electromagnético extraído para cada píxel comprendido en cada imagen adquirida por el módulo de adquisición de imágenes 115. Este pre-procesado incluye los pretratamientos más adecuados para maximizar la relación señal a ruido de cada espectro electromagnético extraído para cada porción de tejido humano seleccionada para ser analizada.
En concreto, los pretratamientos son algoritmos de procesado de señal que se aplican a cada uno de espectros electromagnéticos extraídos mediante el módulo de extracción de información 125, con el objetivo de corregir algunos de los problemas que puedan surgir durante su adquisición p.ej. ruido, derivas de los instrumentos, efectos multiplicativos, etc. Los algoritmos utilizados pueden estar relacionados p.ej. con pretratamientos del espectro electromagnéticos utilizados en quimiometría.
Ejemplos de algoritmos para pre-procesar el espectro electromagnético pueden ser, por ejemplo: Centrado y escalado por varianza unidad, Centrado en media, Suavizado de Savitzky-Golay, Primera derivada de Savitzky-Golay, Segunda derivada de Savitzky-Golay, Standard Normal Variate scaling (SNV) o Multiplicative scatter/signal correction (MSC). En algunos ejemplos, se pueden combinar dos o más de estos algoritmos para pre-procesar el espectro electromagnético.
Finalmente, el espectro electromagnético para cada píxel extraído por el módulo de extracción de información 125 (que puede previamente haber sido corregido y / o pre procesado por los modelos 126 y 127) puede servir como entrada para el módulo de discriminación de lesiones cancerígenas 130. Se pueden usar una gran variedad algoritmos para evaluar la condición del tejido. También puede ser posible utilizar dos o más algoritmos de discriminación de lesiones en paralelo o uno después del otro. Ejemplos de algoritmos pueden ser:
- Árboles de decisión: Un tipo de regla(s) de decisión que se puede construir utilizando datos espectrales es un árbol de decisión. Los árboles de decisión se usan para clasificar lesiones usando conjuntos de datos espectrales. El objetivo de un árbol de decisión es inducir un clasificador (un árbol) a partir de datos de ejemplo del mundo real. Este árbol se puede usar para clasificar ejemplos que no se han utilizado para derivar el árbol de decisión. Este árbol de decisión se puede derivar de p.ej. datos de entrenamiento. Los datos de entrenamiento
1
ejemplares contienen datos espectrales para una pluralidad de lesiones (las lesiones de entrenamiento), cada uno de las cuales tiene una condición médica particular.
- Máquinas de soporte de Vectores (Support vector machines) (SVM): La técnica de Máquinas de soporte de Vectores (SVM) se usa para clasificar lesiones usando valores predeterminados de “observables”. Los “observables” pueden incluir, entre otros, valores de píxeles específicos, patrones de valores de grupos específicos de píxeles, valores de longitudes de onda medidas específicas o cualquier otra forma de datos observables que esté directamente presente en los datos espectrales y / o que puede derivarse de los datos espectrales.
- Redes Neuronales (NN): Un enfoque básico para el uso de redes neuronales consiste en comenzar con una red no entrenada, proveer un patrón de entrenamiento a la capa de entrada, pasar señales a través de la red y determinar la salida en la capa de salida. Estas salidas se comparan con los valores predeterminados; cualquier diferencia corresponde a un error. Esta función de error o criterio es una función escalar de los pesos y se minimiza cuando las salidas de la red coinciden con las salidas deseadas. Por lo tanto, los pesos se ajustan para reducir esta medida de error. En algunos ejemplos, las redes neuronales utilizadas pueden ser Redes Neuronales Convolucionales (CNN).
Algunos otros algoritmos que se pueden utilizar para discernir afecciones en la piel pueden ser: algoritmos tipo “bosques aleatorios” (“random forest”) o algoritmos relacionados con proyección de estructuras latentes con análisis discriminante (PLSDA). Estos algoritmos clasifican espectros electromagnéticos de manera que se distingan porciones de la piel de un paciente como normales o como porciones de la piel de un paciente conteniendo una condición médica particular
Con relación a la técnica de “estructuras latentes con análisis discriminante (PLSDA)”, esta técnica busca la mejor combinación de longitudes de onda para establecer clases donde clasificar los espectros electromagnéticos extraídos de la porción de la piel a analizar, con el menor error posible en la clasificación. Esta técnica está configurada también para generar unos coeficientes que, aplicados sobre los espectros electromagnéticos extraídos para cada pixel de cada una de las imágenes adquiridas por las cámaras hiperespectrales (tal como se ha explicado previamente), permite clasificar cada uno de ellos en cada de las clases previamente establecidas. Para cada espectro electromagnético (con una pluralidad de longitudes de onda), la pertenencia a
una u otra clase vendrá dada por los valores de sus indicadores de calidad y su proximidad a los valores del centroide establecidos para cada clase.
Para saber la exactitud de los modelos de clasificación generados de pueden emplear dos métodos, uno estadístico y otro visual. En el método matemático se pueden emplear dos variables estadísticas: la sensibilidad y la especificidad. Por ejemplo, una clasificación en 2 categorías. Si tenemos muestras del tejido humano pertenecientes a 2 clases (Positivo con relación a una lesión cancerígena y Negativo con relación a una lesión cancerígena) y una clasificación realizada, se pueden dar 4 resultados posibles:
La sensibilidad puede representar lo bien que se clasifican las muestras de tejido humano de una clase en esa clase. En ejemplos, se definiría como:
Sensibilidad = Verdaderos Positivos / (Verdaderos Positivos Falsos Negativos)
La especificidad puede representar lo bien que se clasifican las muestras de tejido humano que no pertenecen a una clase en las demás clases que no son esa clase. Es decir:
Especificidad = Verdaderos Negativos / (Verdaderos Negativos Falsos Positivos)
Por tanto, una clase que tenga una alta sensibilidad significa que la mayoría de sus muestras se clasifican como efectivamente correspondientes a esa clase. Si además esa clase tiene una alta especificidad, significa que muy pocas de las muestras de las demás clases son incorrectamente clasificadas como pertenecientes a esa clase.
En algunos ejemplos, es posible seleccionar las longitudes de onda que tengan más relación con el parámetro que identifica una lesión y desechar aquellas que no tengan relación con el parámetro que identifica una lesión. De esta manera, se puede obtener modelos más robustos y generalmente con un menor número de estructuras latentes, lo cual también redunda en su fiabilidad.
1
Siguiendo el ejemplo, las siguientes tablas muestran clases para la discriminación de tejido afectado por carcinoma vs tejido sano, donde las clases se han obtenido mediante algoritmos relacionados con proyección de estructuras latentes con análisis discriminante (PLSDA). Clase 1 representa tejido afectado y Clase 2 tejido sano.
Con relación a la primera tabla, el término “Ninguno” se refiere a un tipo de pre tratamiento estadístico aplicado a los datos que nos proporciona las cámaras hiperespectrales. En el ejemplo concreto de esta primera tabla, no se ha aplicado ningún pretratamiento. En lugar de eso, se aplica el método de discriminación de datos directamente sobre los datos obtenidos por las cámaras. El término “N” se refiere al número de componentes principales que necesita la técnica de “Estructuras latentes con análisis discriminante (PLSDA)” para poder diferenciar las clases con la “sensibilidad’ y la “especificidad’ que aparecen en los valores de la tabla bajo. Los términos “Sens. CV’ y “Esp. CV’ se refieren respectivamente a la “sensibilidad’ y “especificidad’ obtenidas tras llevar a cabo una validación cruzada empleando los datos disponibles.
Con relación a la segunda tabla, el término “ 1a Derivada 5 ptos. MC” se refiere de nuevo a un tipo de pre-tratamiento estadístico tal como se ha descrito anteriormente, aplicado a los datos que nos proporciona las cámaras hiperespectrales. En este caso concreto, el término se refiere a la primera derivada con una ventana de 5 puntos de amplitud y, posteriormente, un centrado en media. El resto términos de la segunda tabla tienen el mismo significado que los datos de la primera tabla que se han comentado arriba.
En ejemplos, es posible determinar clases que pueden ser capaces de identificar nevus (clase 1) vs tejido sano (clase 2) vs melanoma (clase 3) con altos valores de Sensibilidad y Especificidad.
Con relación a la primera tabla bajo, el término 1 Derivada 9 ptos. AS” se refiere a un tipo de pretratamiento estadístico como se ha descrito anteriormente, aplicado a los
1
datos que nos proporciona las cámaras hiperespectrales. En el ejemplo concreto de esta primera tabla, el pretratamiento se refiere a la Primera Derivada de Savitsky-Golay con una ventana de 9 puntos de anchura y un autoescalado (media y varianza).
Con relación a la segunda tabla bajo, el término “1a Derivada 31 ptos. M C se refiere a un pretratamiento relacionado con la primera derivada con una ventana de 31 puntos de amplitud y, posteriormente, un centrado en media.
La figura 2a muestra un ejemplo de un sistema configurado para detectar una lesión cancerígena situada en una porción de tejido humano. El sistema 300 comprende un brazo robot 301. El brazo robot puede ser brazo robótico colaborativo configurado trabajar en un entorno con personas, donde el brazo robot no necesita un área cerrada para su uso. La figura 2b muestra en detalle el brazo robot. El robot comprende una base 301a, tres secciones del brazo 301b - 301d y cuatro elementos de unión 301e -301h. El elemento de unión 301e une la base 301a con la sección 301b. El elemento de unión 301f une la sección 301b con la sección 301c. El elemento de unión 301g une la sección 301c con la sección 301d. El elemento de unión 301h se sitúa en un extremo de la sección 301d.
El brazo robot 301 puede estar montado p.ej. en una plataforma o carrito (no mostrado). La plataforma o el carrito puede estar provisto con ruedas. Estas ruedas permiten que el brazo robot, situado sobre la plataforma o carrito, se mueva fácilmente en relación con al paciente, permitiendo así que el paciente obtenga imágenes hiperespectrales de diferentes partes del cuerpo del sujeto sin requerir que el sujeto se mueva.
De vuelta a la figura 2a, el sistema 300 incluye un subsistema de iluminación 106 para irradiar la porción de la piel a analizar con luz y cámaras hiperespectrales 105a y 105b, tal como se han descrito previamente. El sistema incluye también un subsistema de
visualización (no mostrado) que incluye una pantalla para mostrar una imagen hiperespectral de la zona del paciente a analizar, en tiempo real, así como, un subsistema de procesado (nos mostrado). El sistema 300 incluye también un sensor de distancia 306 configurado para medir la distancia entre el sensor de distancia y una región de la porción de la piel del paciente a analizar. El sensor de distancia puede ser p.ej. una fotocélula láser o una cámara con tecnología "tiempo de vuelo” (TOF).
El subsistema de procesado está en comunicación con cada uno de los subsistemas de iluminación 106, sensor de distancia 306, visualización y cámaras hiperespectrales 105a, 105b y coordina las operaciones de estos subsistemas para irradiar al paciente, obtener información espectral del paciente, construir una imagen basada en la información espectral y mostrar la imagen.
Específicamente, el subsistema de iluminación 106 irradia con luz la porción de la piel del sujeto a analizar. La luz interactúa con una pluralidad de regiones de la porción del paciente. Las cámaras hiperespectrales 105a, 105b recogen luz de cada región de la pluralidad de regiones de la porción de la piel del sujeto a analizar y resuelven la luz de cada región en un espectro electromagnético correspondiente. Las cámaras hiperespectrales 105a, 105b generan además una señal digital que representa los espectros de todas las regiones de la porción seleccionada. El subsistema de procesador obtiene la señal digital de las cámaras, y procesa la señal digital para generar una imagen hiperespectral.
El sistema 300 incluye también un módulo de control (no mostrado) del brazo robot configurado para recibir la distancia medida por el sensor de distancia del brazo robot y reposicionar el brazo robot de manera que la distancia recibida por el módulo de control se mantenga en un rango de distancias con relación a cualquier región de la porción de tejido humano durante un desplazamiento del brazo robot. Es importante resaltar que el brazo robot mantiene la distancia con relación a una región de la porción de tejido humano en cualquier situación, incluso cuando el robot no se mueve y el robot está situado de manera estática con relación a una región de la porción de tejido humano, debido p.ej. a movimientos del paciente.
Como se muestra en el detalle de la figura 2c, una herramienta 340 puede ir unida al extremo del elemento de unión 301h del robot. La herramienta 340 puede estar fabricada con técnicas de impresión 3D. Las cámaras hiperespectrales 105a y 105b, el sensor de distancia (no mostrado en esta figura) y el subsistema de iluminación (no
1
mostrado en esta figura) pueden ir acoplados a la herramienta 340. De esta manera, el brazo robot 300 con la herramienta 340 puede hacer un barrido de la porción del tejido del ser humano a analizar, iluminándola con la luz provista por el subsistema de iluminación y puede posicionar la herramienta (y por lo tanto las cámaras hiperespectrales) a una distancia de trabajo adecuada con relación a una región de la porción del tejido humano que está siendo analizada. Es particularmente importante posicionar las cámaras 105a, 105b en un rango de distancias (o en una distancia sustancialmente constante) con relación a una región de la porción del tejido humano que está siendo analizado en el caso de cámaras con óptica fija. En el caso de no mantener la distancia sustancialmente constante (p.ej. en un rango de /- un centímetro de la distancia predeterminada de p.ej. 15 centímetros), las cámaras podrían desenfocarse y la imagen hiperespectral adquirida no tendría la calidad adecuada.
En concreto, la herramienta 340 comprende un alojamiento 340a montado en un extremo del brazo robot. El alojamiento 304a comprende una superficie interior 340b, dos paredes laterales 340c, 340d y un espacio 340e formado en el interior del alojamiento. Las cámaras hiperesctrales, en uso, están situadas en el espacio formado en el interior del alojamiento unidos a la superficie interior 340a. En ejemplos, las cámaras hiperespectrales están unidas a la superficie interior 340 mediante p.ej. tornillos. En otros ejemplos, las cámaras hiperespectrales pueden ir unidas a la superficie mediante un rail. De esta manera, los cámaras pueden desplazarse a lo largo del raíl con relación a la superficie interior 340a de manera que las cámaras se sitúen en una posición adecuada para aprovechar al máximo la luz emitida por el subsistema de iluminación.
El alojamiento comprende además un soporte con sección transversal en forma de U 340f y configurado para sostener el sensor de distancia (no mostrado en la figura 2c pero visible en la figura 2a). Este soporte en forma de U está situado en el espacio formado en el interior del alojamiento y unido a la superficie interior, donde el soporte con forma de U está situado radialmente hacia dentro con relación a una de las paredes laterales.
En uso, las paredes laterales 340c, 340d pueden estar situadas a un ángulo entre 40 y 50 grados (específicamente 45 grados) con relación a la superficie que define la superficie interior 340a.
La figura 3 muestra un ejemplo de diagrama de flujo de un método para detectar una lesión cancerígena situada en una porción de tejido humano.
1
Inicialmente, se examina un paciente. El examen puede incluir analizar visualmente y / o tocar al paciente, como se hace convencionalmente en este tipo de exámenes médicos. El médico p.ej. un dermatólogo se puede enfocar un área particular de la piel del paciente, en base a las observaciones o comentarios hechos por el paciente. Finalmente, el médico selecciona una porción de tejido humano del paciente, a analizar.
En el paso 401, un brazo robot (y, por tanto, las cámaras hiperespectrales acopladas a un brazo robot) se sitúa a una distancia predefinida y adecuada de una región de la porción de tejido humano a analizar. Como se describe arriba, el brazo robot comprende un sensor de distancia configurado para medir una distancia entre el sensor de distancia acoplado al brazo robot y una región de la porción del tejido humano. La distancia adecuada entre el sensor y una región de la superficie que debe ser analizada puede ser p.ej. entre 14 y 16 centímetros, específicamente 15 centímetros.
En el paso 402, un módulo de control del brazo robot recibe la distancia medida por el sensor de distancia del brazo robot y reposiciona el brazo robot de manera que la distancia recibida por el módulo de control se mantenga en un rango de distancias con relación a cualquier región de la porción de tejido humano durante un desplazamiento del brazo robot a lo largo de la porción de tejido humano, es decir, la distancia del brazo robot se mantiene en un rango de distancias con relación a cualquier región de la porción de tejido humano p.ej. en un rango entre 14 centímetros y 16 centímetros, específicamente 15 centímetros. De esta manera, las cámaras pueden estar correctamente enfocadas durante todo el procedimiento. Esto es especialmente importante en cámaras con óptica fija.
En el paso 403, se reciben una o más imágenes hiperespectrales de la porción del ser humano usando el módulo de adquisición de imágenes. Inicialmente, la porción del tejido humano seleccionada puede ser irradiada con luz vía el subsistema de iluminación. A continuación, se obtiene luz de la porción del tejido humano seleccionada usando las cámaras hiperespectrales. Dependiendo de las interacciones entre la porción del tejido humano seleccionada y el espectro electromagnético de la luz utilizada para irradiar esta región, la luz puede reflejarse, refractarse, absorberse y / o dispersarse con relación a esta porción del paciente.
En el paso 404, se puede extraer el espectro electromagnético para cada píxel comprendido en cada imagen adquirida por el módulo de adquisición de imágenes, donde el espectro electromagnético incluye una pluralidad de longitudes de onda. De
2
luz obtenida de cada región se obtiene en un espectro electromagnético correspondiente que incluye una pluralidad de longitudes de onda.
Las imágenes hiperespectrales pueden representar la información espectral de varias maneras. Por ejemplo, la imagen puede incluir un mapa bidimensional que representa la intensidad de una o más longitudes de onda seleccionadas dentro de cada región del paciente. Dicha imagen puede ser monocromática, con la intensidad del mapa en una región determinada basada en la intensidad de las longitudes de onda seleccionadas (por ejemplo, la intensidad de la imagen directamente proporcional a la intensidad de la luz en las longitudes de onda seleccionadas). Alternativamente, la imagen puede ser en color, con el color del mapa en una región determinada en función de la intensidad de las longitudes de onda seleccionadas.
En algunos ejemplos, se puede seleccionar una o más longitudes de onda del espectro electromagnético para cada píxel teniendo en cuenta el tipo de lesión cancerígena a evaluar. Esta selección puede basarse uno o más de varios tipos diferentes de información. Por ejemplo, las longitudes de onda se pueden seleccionar en base a una biblioteca de firmas espectrales, que contiene información sobre las características espectrales de una o más afecciones médicas predeterminadas. Estas características espectrales pueden incluir, por ejemplo, longitudes de onda predeterminadas que deben seleccionarse para determinar si el sujeto tiene una afección médica particular.
En las realizaciones en las que la imagen espectral se muestra en una pantalla de video, la imagen se puede inspeccionar, opcionalmente mientras se examina al sujeto, lo que facilita la obtención de información que es útil para diagnosticar y tratar una afección médica. En algunas realizaciones, se muestra una imagen convencional de luz visible de las regiones del sujeto junto con la imagen que contiene información espectral para ayudar en la correlación de las características espectrales con las características físicas del sujeto.
En el paso 405. para cada espectro electromagnético extraído, se puede aplicar uno o más algoritmos de detección para evaluar una condición relacionada con la presencia de una lesión cancerígena del tejido de manera que se detecte una lesión cancerígena. Representando la imagen en 2 dimensiones se puede aplicar un color que permita identificar la lesión y delimitar el área afectada. De esta manera, se pueden detectar lesiones en el tejido de manera simple y eficaz.
Adicionalmente, teniendo en cuenta la información de la distancia y el desplazamiento del robot o robot colaborativo, es posible obtener un modelo 3D en el que el eje XY represente el área de la piel escaneada y la zona afectada por la lesión, mientras que el eje Z represente la altura.
A pesar de que se han descrito aquí sólo algunas realizaciones y ejemplos particulares de la invención, el experto en la materia comprenderá que son posibles otras realizaciones alternativas y/o usos de la invención, así como modificaciones obvias y elementos equivalentes. Además, la presente invención abarca todas las posibles combinaciones de las realizaciones concretas que se han descrito. Los signos numéricos relativos a los dibujos y colocados entre paréntesis en una reivindicación son solamente para intentar aumentar la comprensión de la reivindicación, y no deben ser interpretados como limitantes del alcance de la protección de la reivindicación. El alcance de la presente invención no debe limitarse a realizaciones concretas, sino que debe ser determinado únicamente por una lectura apropiada de las reivindicaciones adjuntas.
Claims (12)
1. Un sistema configurado para detectar una lesión cancerígena situada en una porción de tejido humano, caracterizado por el hecho de que comprende:
- un módulo de adquisición de imágenes configurado para adquirir una o más imágenes de una porción de tejido humano, donde el módulo de adquisición de imágenes comprende una o más cámaras hiperespectrales configuradas para adquirir una imagen hiperespectral de la porción del tejido humano, donde las cámaras comprenden una óptica fija,
- un módulo de extracción de información configurado para extraer un espectro electromagnético para cada píxel comprendido en cada imagen adquirida por el módulo de adquisición de imágenes, donde el espectro electromagnético incluye una pluralidad de longitudes de onda,
- un módulo de discriminación de lesiones cancerígenas configurado para recibir el espectro electromagnético para cada píxel extraído por el módulo de extracción de información y aplicar uno o más algoritmos de detección para evaluar la condición del tejido,
- un brazo robot, donde el módulo de adquisición de imágenes está acoplado al brazo robot, caracterizado por el hecho de que el brazo robot comprende:
o un sensor de distancia configurado para medir una distancia entre el sensor de distancia y una región de la porción del tejido humano,
o un módulo de control del brazo robot configurado para recibir la distancia medida por el sensor de distancia del brazo robot y reposicionar el brazo robot de manera que la distancia recibida por el módulo de control se mantenga en un rango de distancias con relación a cualquier región de la porción de tejido humano durante un desplazamiento del brazo robot, donde la distancia recibida por el módulo de control se mantiene en un rango de distancias entre 14 centímetros y 16 centímetros con relación a cualquier región de la porción de tejido humano durante un desplazamiento del brazo robot
2
2. Un sistema según la reivindicación 1, caracterizado por el hecho de que el brazo robot es un robot industrial, donde el robot industrial comprende tres o más ejes con al menos dos grados de libertad.
3. Un sistema según una cualquiera de las reivindicaciones 1 - 2, caracterizado por el hecho de que el sistema comprende además una o más fuentes de luz acopladas al brazo robot y configuradas para iluminar la porción del tejido humano para las cámaras hiperespectrales, donde las fuentes de luz están configuradas para emitir radiación electromagnética en un rango de longitudes de onda entre 380 nm y 2500 nm, opcionalmente las fuentes de luz están configuradas para emitir radiación electromagnética en un rango de longitudes de onda entre 380 nm y 1000 nm o en un rango de longitudes de onda entre 900 nm y 1700 nm.
4. Un sistema según la reivindicación 3, caracterizado por el hecho de que el brazo robot comprende una herramienta configurada para sostener las cámaras hiperespectrales y las fuentes de luz.
5. Un sistema según la reivindicación 4, caracterizado por el hecho de que la herramienta comprende un alojamiento montado en un extremo del brazo robot, donde el alojamiento comprende una superficie interior, dos paredes laterales y un espacio formado en el interior del alojamiento, donde las cámaras hiperespectrales, en uso, están situados en el espacio formado en el interior del alojamiento unidos a la superficie interior.
6. Un sistema según la reivindicación 5, caracterizado por el hecho de que el alojamiento comprende además un soporte con sección transversal en forma de U y configurado para sostener el sensor de distancia, donde el soporte para sostener el sensor de distancia está situado en el espacio formado en el interior del alojamiento y unido a la superficie interior.
7. Un sistema según una cualquiera de las reivindicaciones 3 - 6, caracterizado por el hecho de que las paredes laterales están configuradas para sostener las fuentes de luz, donde las paredes laterales están configuradas para pivotar con relación a la superficie interior del alojamiento, donde, en uso, las paredes laterales están situadas entre 40 grados y 50 grados con relación a un plano definido por la superficie interior del alojamiento, opcionalmente están situadas a 45 grados.
8. Un sistema según una cualquiera de las reivindicaciones 1 - 7 , caracterizado por el hecho de que las cámaras hiperespectrales del módulo de adquisición de imágenes están configuradas para operar en un rango de longitudes de onda del espectro electromagnético entre 400 nm y 2500 nm, opcionalmente el módulo de adquisición de imágenes comprende dos cámaras hiperespectrales, donde la primera cámara hiperespectral está configurada para operar en un rango de longitudes de onda del espectro electromagnético entre 400 nm y 1000 nm y la segunda cámara hiperespectral está configurada para operar en un rango de longitudes de onda del espectro electromagnético entre 1000 nm y 1700 nm
9. Un sistema según una cualquiera de las reivindicaciones 1 - 8, caracterizado por el hecho de que sistema comprende además un módulo de corrección del espectro electromagnético configurado para corregir el espectro electromagnético extraído para cada píxel comprendido en cada imagen adquirida por el módulo de adquisición de imágenes.
10. Un sistema según la reivindicación 9, caracterizado por el hecho de que el módulo de corrección del espectro electromagnético está adaptado para:
recibir una primera imagen adquirida por el módulo de adquisición de imágenes cuando las cámaras hiperespectrales no reciben luz, obtener una medida Rn relacionada con el espectro electromagnético para un píxel comprendido en la primera imagen, donde la medida Rn comprende una pluralidad de longitudes de onda,
recibir una segunda imagen adquirida por el módulo de adquisición de imágenes de un material de referencia iluminado con radiación electromagnética en un rango de longitudes de onda entre 400 nm y 2500 nm,
obtener una medida Rb relacionada con el espectro electromagnético para un píxel comprendido en la segunda imagen, donde la medida Rb comprende una pluralidad de longitudes de onda,
obtener, para cada medida del espectro electromagnético M de cada píxel comprendido en cada imagen adquirida por el módulo de adquisición de imágenes, una medida del espectro electromagnético corregido Rc siguiendo la siguiente ecuación:
R
c
= M-R
n
/R
b
-R
n
11. Un sistema según una cualquiera de las reivindicaciones 1 - 10, caracterizado por el hecho de que el sistema comprende además un módulo de pre-procesado del
2
espectro electromagnético configurado para pre-procesar el espectro electromagnético extraído para cada píxel comprendido en cada imagen adquirida por el módulo de adquisición de imágenes, donde el módulo de pre-procesado está configurado para seleccionar uno de los siguientes algoritmos para pre-procesar el espectro electromagnético: centrado y escalado por varianza unidad, centrado en media, suavizado de Savitzky-Golay, primera derivada de Savitzky-Golay, segunda derivada de Savitzky-Golay, Escala de varianza normal estándar, Dispersión multiplicativa / corrección de señal.
12. Un sistema según una cualquiera de las reivindicaciones 1 - 11, caracterizado por el hecho que el módulo de discriminación de lesiones cancerígenas está configurado para seleccionar uno o más de los siguientes algoritmos de detección de lesiones cancerígenas: árboles de decisión, máquinas de soporte de vectores, redes neuronales, redes neuronales convolucionales, bosques aleatorios o proyección de estructuras latentes con análisis discriminante.
2
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| ES202030899A ES2898148B2 (es) | 2020-09-03 | 2020-09-03 | Sistema configurado para detectar una lesion cancerigena situada en una porcion de tejido humano y metodo |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| ES202030899A ES2898148B2 (es) | 2020-09-03 | 2020-09-03 | Sistema configurado para detectar una lesion cancerigena situada en una porcion de tejido humano y metodo |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| ES2898148A1 ES2898148A1 (es) | 2022-03-03 |
| ES2898148B2 true ES2898148B2 (es) | 2022-10-18 |
Family
ID=80495785
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| ES202030899A Active ES2898148B2 (es) | 2020-09-03 | 2020-09-03 | Sistema configurado para detectar una lesion cancerigena situada en una porcion de tejido humano y metodo |
Country Status (1)
| Country | Link |
|---|---|
| ES (1) | ES2898148B2 (es) |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2009142758A1 (en) * | 2008-05-23 | 2009-11-26 | Spectral Image, Inc. | Systems and methods for hyperspectral medical imaging |
| US9025850B2 (en) * | 2010-06-25 | 2015-05-05 | Cireca Theranostics, Llc | Method for analyzing biological specimens by spectral imaging |
| US9833254B1 (en) * | 2014-10-03 | 2017-12-05 | Verily Life Sciences Llc | Controlled dissection of biological tissue |
| AU2017314217A1 (en) * | 2016-08-19 | 2019-03-28 | Monash University | Spectroscopic systems and methods for the identification and quantification of pathogens |
| US11571205B2 (en) * | 2018-07-16 | 2023-02-07 | Cilag Gmbh International | Surgical visualization feedback system |
| US11826124B2 (en) * | 2019-01-29 | 2023-11-28 | Board Of Regents, The University Of Texas System | Apparatus and method for image-guided interventions with hyperspectral imaging |
-
2020
- 2020-09-03 ES ES202030899A patent/ES2898148B2/es active Active
Also Published As
| Publication number | Publication date |
|---|---|
| ES2898148A1 (es) | 2022-03-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6639549B2 (ja) | 効率的変調撮像 | |
| US7242997B2 (en) | Diffuse optical tomography system and method of use | |
| JP4995055B2 (ja) | 多層組織の光学的性質の測定のための方法および集成装置 | |
| US9706929B2 (en) | Method and apparatus for imaging tissue topography | |
| US20190239751A1 (en) | Compact Optical Imaging Devices, Systems, and Methods | |
| US7647091B2 (en) | Method and system for free space optical tomography of diffuse media | |
| US7826878B2 (en) | Optical tomography using independent component analysis for detection and localization of targets in turbid media | |
| US20090240138A1 (en) | Diffuse Optical Tomography System and Method of Use | |
| CN110327020B (zh) | 近红外二区/一区双模态荧光断层成像系统 | |
| US8244332B2 (en) | Three-dimensional breast anatomy imaging system | |
| AU2017247617A1 (en) | Non-contact apparatus and method for capturing skin surface image data | |
| Liu et al. | High resolution diffuse optical tomography using short range indirect subsurface imaging | |
| Kuzmina et al. | Skin chromophore mapping by smartphone RGB camera under spectral band and spectral line illumination | |
| ES2898148B2 (es) | Sistema configurado para detectar una lesion cancerigena situada en una porcion de tejido humano y metodo | |
| NL2036383B1 (en) | Imaging scanner and optical scanner in a medical device | |
| Martinez | Performance Enhancement In Accuracy and Imaging Time of a Hand-Held Probe-Based Optical Imager | |
| Alrubaiee et al. | Fluorescence optical tomography using independent component analysis to detect small targets in turbid media | |
| IE20100104U1 (en) | Method and apparatus for imaging tissue topography |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| BA2A | Patent application published |
Ref document number: 2898148 Country of ref document: ES Kind code of ref document: A1 Effective date: 20220303 |
|
| FG2A | Definitive protection |
Ref document number: 2898148 Country of ref document: ES Kind code of ref document: B2 Effective date: 20221018 |