Identificación de características estructurales del tejido subcutáneo mediante aprendizaje automático no supervisado | JoVE Visualize

Área de la Ciencia:

Ingeniería Biomédica
Biología Computacional
Dermatología

Sus antecedentes:

La cuantificación precisa de la estructura del tejido subcutáneo (SC) es crucial para comprender la fisiología de la piel y desarrollar modelos computacionales.
La segmentación manual de imágenes para el tejido SC requiere mucha mano de obra, depende del usuario y carece de reproducibilidad.
Actualmente no hay algoritmos automatizados robustos para la identificación de la estructura del tejido SC, y los métodos de aprendizaje automático (ML) supervisado requieren conjuntos de datos etiquetados extensos.

Objetivo del estudio:

Presentar una metodología novedosa de aprendizaje automático no supervisado para la identificación automatizada de características estructurales del tejido SC a partir de portaobjetos de histología teñidos.
Abordar la falta de conjuntos de datos etiquetados para el análisis del tejido SC, una limitación común para los enfoques de ML supervisado.

Principales métodos:

Desarrolló una transformación novedosa de imágenes 2D para generar mapas de intensidad proximal, que representan valores de intensidad radial para cada píxel.
Redujo el mapa de intensidad proximal a un espacio de vectores de características de menor dimensión.
Empleó agrupamiento K-means para la clasificación de píxeles basada en vectores de características calculados, utilizando un método objetivo para la selección del radio de búsqueda óptimo.

Principales resultados:

Demostró con éxito la clasificación e identificación automatizada y robusta de la red de colágeno dentro de los espacios del tejido adiposo en muestras de tejido SC de piel de cerdo.
El mapa de intensidad proximal y la reducción del espacio de características permitieron una agrupación efectiva de las estructuras del tejido SC.
Se estableció una base objetiva para la selección del radio de búsqueda óptimo para la minimización del ruido y la separación de características.

Conclusiones:

El método de ML no supervisado presentado ofrece un enfoque novedoso para identificar automáticamente las estructuras del tejido SC.
Este avance ayuda a comprender la fisiología de la piel y a desarrollar mejores modelos de tejido in vitro.
La metodología proporciona una alternativa reproducible y eficiente a la segmentación manual para el análisis del tejido SC.