Segmentación computacional de fibras de colágeno a partir de imágenes de generación de segundo armónico en cáncer de mama

La imagen de generación de segundo armónico (SHG) puede ayudar a revelar interacciones entre fibras de colágeno y células cancerosas. El análisis cuantitativo de imágenes SHG de fibras de colágeno se ve desafiado por la heterogeneidad de las estructuras de colágeno y la baja relación señal-ruido que a menudo se encuentra al imaginar colágeno en el tejido. El papel del colágeno en la progresión del cáncer de mama puede ser evaluado después de la adquisición a través de un cálculo mejorado. Para facilitar esto, hemos implementado y evaluado cuatro algoritmos para extraer información sobre las fibras, como el número, la longitud y la curvatura, de una variedad de imágenes SHG de colágeno en tejido mamario. Los algoritmos de procesamiento de imágenes incluyeron un filtro gaussiano, un filtro SPIRAL-TV, un filtro de Tubeness, y un filtro de denoising de curvelet. Las fibras se extraen utilizando un algoritmo de seguimiento automatizado llamado extracción de fibra (FIRE). Evaluamos el rendimiento del algoritmo comparando la longitud, ángulo y posición de las fibras extraídas automáticamente con las de las fibras extraídas manualmente en veinticinco imágenes SHG de cáncer de mama. Encontramos que el filtro de denoising de curvelet seguido de FIRE, un proceso que llamamos CT-FIRE, supera a los otros algoritmos en investigación. CT-FIRE se aplicó exitosamente para rastrear cambios en la forma de las fibras de colágeno a lo largo del tiempo en un modelo de ratón in vivo para el cáncer de mama.