El reto
Una empresa farmacéutica disponía de un clasificador para la detección de enfermedades entrenado con imágenes de tejido teñido con un reactivo. Necesitaba una forma de aplicar ese mismo clasificador a imágenes de tejido teñido con reactivos diferentes.
Una dificultad importante era la ausencia de imágenes emparejadas que permitieran una comparación directa entre tinciones. Las alternativas, como crear un nuevo clasificador y un nuevo conjunto de herramientas de procesamiento para cada reactivo, eran costosas y lentas, por lo que la empresa nos encargó investigar y desarrollar el enfoque más adecuado.
Nuestra solución
En muy poco tiempo, evaluamos diversos enfoques actuales con las imágenes histológicas del cliente. Entre ellos, utilizamos redes generativas antagónicas (GAN) para la traducción de imagen a imagen no emparejada. Una GAN combina dos o más modelos de deep learning y está diseñada para generar imágenes visualmente similares a las de su conjunto de entrenamiento.
Además del framework que traduce las imágenes al dominio de tinción requerido, creamos una herramienta de visualización interactiva para validar la calidad de las imágenes generadas.
- Evaluación de varios enfoques de traducción de imágenes con imágenes histológicas
- Traducción de imagen a imagen no emparejada entre dominios de tinción basada en GAN
- Framework de software para traducir las imágenes al dominio que espera el clasificador existente
- Herramienta de visualización interactiva para validar las imágenes generadas
El resultado
El framework de traducción de imagen a imagen y la herramienta de visualización permitieron al cliente reducir de forma significativa el tiempo y el coste de procesar y clasificar imágenes de tejido teñido con distintos reactivos, reutilizando los componentes de software y los modelos existentes en lugar de crear otros nuevos para cada tinción.
