Proyectos de Investigación

Proyecto QUASAR

Proyecto
QUASAR
Financiado
Ministerio de Ciencia, Innovación y Universidades y el Fondo Europeo de Desarrollo Regional

Entidades

LAIMBIO

Laboratorio de Análisis de Imagen Médica y Biometría

CIMA

Centro de Investigación Médica Aplicada

Cytognos

Flow Cytometry Solutions

QUASAR: “Development and validation of a hyperspectral system for analysis of solid tissue biopsies” (2017-2020).
The Project aims to promote technological development, innovation and high-quality research.The project has received funding from the Ministry of Science, Innovation and Universities and the European Regional Development Fund.

La citometría fluorescente se refiere a la cuantificación de las propiedades físicas de las células y los biomarcadores de superficie utilizando anticuerpos marcados con fluorescencia. Las técnicas preferidas para realizar estas mediciones son la citometría de flujo, que realiza un rápido análisis de una sola célula haciendo fluir las células una a una a través de un canal, y la microscopía, que elimina la complejidad del canal de flujo, ofreciendo un análisis de varias células con un rendimiento menor. Los citómetros basados en imágenes de bajo aumento, también denominados sistemas de «astronomía celular», prometen lograr simultáneamente una simplicidad instrumental y un alto rendimiento. En este régimen de aumentos, una sola célula se mapea en un puñado de píxeles en la imagen. Aunque es muy atractiva, hasta ahora no se ha demostrado que esta idea produzca resultados cuantitativos de etiquetado celular, debido principalmente a la escasa relación señal-ruido presente en esas imágenes y a los efectos de volumen parcial.

En las líneas iniciales del proyecto se presentó un sistema de astronomía celular que, acoplado a algoritmos desarrollados a medida, es capaz de cuantificar las intensidades y diámetros celulares de forma fiable. Mostramos el sistema utilizando perlas MESF calibradas y leucocitos teñidos con fluorescencia, logrando una buena identificación de la población en ambos casos. La principal contribución del sistema propuesto está en el desarrollo de un novedoso algoritmo, H-EM, que permite la separación entre clusters a un régimen de muy bajo aumento (2x). Dicho algoritmo proporciona estimaciones de brillo más precisas que DAOSTORM en comparación con el análisis manual, al tiempo que ajusta la localización de las células, el brillo, el diámetro y el nivel de fondo de forma simultánea. El algoritmo realiza primero un análisis discriminante de Fisher para detectar los puntos brillantes. A partir de cada punto se inicializa un algoritmo de maximización de expectativas sobre un modelo de mezcla heterogénea (H-EM), este algoritmo recupera tanto la fluorescencia de la célula como el diámetro con una precisión de subpíxel mientras discrimina el ruido de fondo. Por último, se aplica un procedimiento de división recursiva para discernir las células individuales en los grupos de células.

Resumen del enfoque propuesto. El método detecta en primer lugar los puntos brillantes mediante un clasificador LDA y, a continuación, se ajusta un modelo compuesto por una distribución gaussiana y otra uniforme a un parche de imagen alrededor de cada célula. Por último, la contribución relativa de la distribución gaussiana y la uniforme se utiliza para calcular la intensidad de la fluorescencia, mientras que la varianza de la distribución gaussiana se utiliza como estimación del diámetro. Estas dos características permiten crear gráficos de dispersión similares a los resultantes del análisis de citometría de flujo.

La siguiente línea del proyecto QUASAR pretende desarrollar y validar un sistema hiperespectral para el análisis de biopsias de tejidos sólidos mediante un microscopio de campo claro. Las imágenes hiperespectrales se toman de muestras sin teñir. El microscopio es capaz de captar imágenes a distintos espectros, desde los 400nm a los 700nm. En la siguiente imagen se pueden ver los distintos canales de la autofluorescencia de una imagen de biopsia de cerebro de ratón.

El reto que surge en este tipo de imágenes es la dificultad de capturar imágenes hiperespectrales a gran magnificación. Se ha desarrollado un sistema de aprendizaje profundo que permite conseguir una magnificación alta partiendo de una magnificación baja.

A continuación se pueden ver los resultados obtenidos de la res neuronal. Se comprueba que se consigue el proceso de superresolución deseado.