DOI: http://dx.doi.org/10.18273/revsal.v48n3-2016005
Clasificación automática de glóbulos rojos en frotis
de sangre periférica
Marcela Mejia F[1],
Marco Alzate[2], Javier Rodríguez V1.
[1] .
Universidad Militar Nueva Granada. Bogotá, Colombia
[1] .
Universidad Distrital. Bogotá, Colombia
Correspondencia: Ángela
Marcela Mejía. Dirección: Carrera 11 No.101-80. Facultad de Ingeniería Universidad
Militar Nueva Granada, correo electrónico: angela.mejia@unimilitar.edu.co.
Teléfono: +1 6500000 Ext. 1326.
Forma de
citar: Mejía M, Alzate M, Rodríguez J. Clasificación automática de glóbulos
rojos en frotis de sangre periférica. Rev Univ Ind Santander Salud. 2016;
48(3): 311-319.
Recibido:
27/10/2015
Aprobado:
12/04/2016
Publicado
online: 05/05/2016
RESUMEN
Introducción: El diagnóstico del estado eritrocitario en frotis de sangre periférica es un proceso realizado
normalmente de forma manual a partir de observación microscópica, lo cual
implica una considerable inversión de tiempo y recursos, además de posibles
problemas de subjetividad y dificultad en la reproducibilidad del diagnóstico. Objetivo:
Desarrollar una aplicación que permita la clasificación automática de glóbulos
rojos en frotis de sangre periférica, de utilidad como herramienta de ayuda
diagnóstica. Metodología: Se usaron técnicas de procesamiento de
imágenes para segmentar los eritrocitos en las fotografías microscópicas y
medir en ellos área, perímetro, solidez, circularidad, excentricidad, textura y
dimensión box-counting. Se usó una red neuronal
artificial para clasificar los eritrocitos según sus características en siete
clases, incluyendo normalidad y seis alteraciones patológicas. La red se
entrenó de acuerdo con la clasificación de 262 eritrocitos realizada por un
hematólogo experto. Los desarrollos se hicieron en matlab®, una poderosa plataforma de
computación científica. Resultados: La red escogida alcanza el 97.3% de
aciertos en los datos de validación. Las equivocaciones en la red corresponden
a células de dudosa clasificación aún para un experto, por presentar
características correspondientes a varias
clasificaciones patológicas. Conclusiones: La aplicación desarrollada
clasifica de manera rápida y acertada los diferentes tipos de glóbulos rojos
presentes en una muestra microscópica de frotis de sangre periférica, siendo de
utilidad como herramienta de apoyo diagnóstico.
Palabras
clave: Eritrocito,
clasificación eritrocitaria, procesamiento de
imágenes, red neuronal, glóbulos rojos.
Automatic
classification of red cells in peripheral blood smears
ABSTRACT
Introduction: The process of erythrocyte classification in peripheral blood smear is normally done manually from microscopic observation. This implies not only a considerable investment of time and resources but also brings potential problems of subjectivity and difficulty in the reproducibility of diagnosis. Objective: To develop an application that allows the automatic classification of red blood cells in peripheral blood smears, as a diagnostic aid tool. Methodology: Image processing techniques were used in order to segment erythrocytes in the microscopic photographs and to measure characteristics as area, perimeter, solidity, circularity, eccentricity, texture and boxcounting dimension. An artificial neural network was used to classify the red blood cells in the images in seven classes, including normal and six pathological changes, according to their characteristics. The network was trained according to the classification of 262 erythrocytes by an expert hematologist. The developments were made in matlab®, a powerful scientific computing platform. Results: The chosen network reaches 97.3% correct in the validation data. Mistakes in the network correspond to cells with various pathological classifications features, which make them difficult to classify even for an expert. Conclusions: The developed application classifies quickly and accurately the different types of red blood cells in a microscopic sample of peripheral blood smear, so it could be useful as a diagnostic support tool.
Keywords: Erythrocyte, classification of red blood cells, neural network, image processing, red cells.
INTRODUCCIÓN
En el campo
de la medicina es usual la utilización de parámetros descriptivos y
cualitativos para el establecimiento de diferencias entre normalidad y
enfermedad. Tal es el caso del análisis de frotis de sangre periférica, proceso
de uso clínico diario que es realizado por un experto a partir del análisis
microscópico, con base en características cualitativas basadas en la morfología
del eritrocito1,2. Así, en general, el eritrocito normal o normocito se identifica como un disco ovalado y bicóncavo
que carece de núcleo y de la mayoría de organelos,
tiene un diámetro entre seis y ocho μm con una región pálida central de no más de
tres μm de
diámetro, y tiene una apariencia rojo/naranja bajo el tinte de Wright. Esta
forma básica se ve alterada bajo algunas condiciones patológicas particulares.
El acantocito, por ejemplo, presenta proyecciones
gruesas espaciadas de manera irregular, mientras el equinocito
presenta proyecciones más pequeñas y espaciadas regularmente. En el degmacito se pierde una porción semicircular del borde de
la célula. El eliptocito es un óvalo más alargado,
por lo que también se conoce como ovalocito o célula
cigarro. El leptocito (o Codocito)
tiene un área central de tinte intenso rodeada por un anillo pálido y, posteriormente,
por otro anillo intenso en el borde de la célula, de donde surgen los nombres
sugestivos de sombrero mejicano o célula de tiro al blanco. El normoblasto (o eritroblasto) es
un glóbulo rojo inmaduro que aún conserva su núcleo, tiene un mayor tamaño y
toma un tinte azul/negro. El dacrocito tiene una
elongación puntuda, por lo que se conoce también como célula lágrima. El esferocito es excesivamente redondo y carece de la región
pálida central. El drepanocito (o célula hoz) tiene
forma de cuarto-creciente. El reticulocito es una
célula joven excesivamente grande que está en un punto intermedio entre la
célula nucleada inmadura y el eritrocito normal, por lo que se aprecian en él
las redes reticulares de RNA ribosomal. El estomatocito tiene una palidez central ovalada o
rectangular (en forma de boca) debido a la pérdida de concavidad en uno de sus
lados. El esquistocito tiene una forma irregular
fragmentada y dentada con dos puntos extremos y sin la región central pálida.
Por último, cuando las células se agrupan, puede existir una aglutinación en la
que se pierden los contornos individuales de las células, o un fenómeno de
rollos, en el que las células se superponen unas sobre otras dando la
apariencia de monedas apiladas1,3,4.
Este tipo
de clasificación basada en parámetros descriptivos y cualitativos implica que
la clasificación de las muestras se realiza sin criterios cuantitativos
de diagnóstico, y sus conclusiones dependen de la pericia y experiencia del
evaluador1,3,2. Adicionalmente, el hecho de que se realice de manera manual y
completamente dependiente del experto, implica una inversión de tiempo y dinero
considerable que se podría disminuir si se cuenta con una herramienta
automática de clasificación del eritrocito.
Existen
interesantes trabajos relacionados en la literatura. Por ejemplo, Mohammed, et
al.5 ofrecen una revisión exhaustiva de los algoritmos usados en el análisis
de imágenes de frotis de sangre periférica (segmentación, extracción y
selección de características, clasificación de células y herramientas
computacionales utilizadas). Señalan los potenciales resultados positivos de
las características morfológicas procesadas mediante redes neuronales, que es
el enfoque utilizado en este artículo, pero no mencionan la clasificación de
eritrocitos en múltiples clases. Tzanakuo et al.6 estimaron características
morfológicas de las células para usarlas en un clasificador neuronal que
detectaba eritrocitos, leucocitos y plaquetas.
Aunque la
detección de plaquetas fue exitosa, hubo una alta tasa de errores al distinguir
eritrocitos de leucocitos. Más recientemente, Khashman7 hizo la misma clasificación
mediante redes neuronales promediando patrones morfológicos, logrando una tasa
de aciertos muy superior. En Bergen, et al.8 también distinguieron entre
eritrocitos y leucocitos con el fin de facilitar la cuenta del número de cada
tipo de células en una imagen. Howard, et al.9 y Azali,
et al.10 hicieron clasificaciones de eritrocitos en dos clases, normales y
anormales, utilizando una red neuronal que, en ambos casos, operaba sobre
parámetros morfológicos. Gual-Arnau, et al.11 usaron geometría integral,
contornos activos y la técnica de los k vecinos más cercanos para
clasificar los eritrocitos en tres clases: normales, drepanocitos
(células hoz) y otras deformaciones. Aunque los resultados de clasificación
fueron excelentes para los drepanocitos, más de la
mitad de las células con otras deformaciones fueron clasificadas como normales.
Ya con anterioridad, Wheeles, et al.12 habían obtenido resultados
similares usando solamente la circularidad de la célula (4πÁrea/ Perímetro2) Oliveros, et al.13 lograron una clasificación
semejante en tres clases, pero en vez de células hoz detectaron células elongadas. Poon, et al.14 detectaron y segmentaron células
nucleadas mediante técnicas estándar de procesamiento de imágenes. Savkare, et al.15 presentan un sistema automático
para la clasificación de eritrocitos de acuerdo con su estado de infección con
el parásito de la malaria. Rezatofighi, et al.16 clasifica múltiples clases de
leucocitos. Todos estos y muchos otros trabajos semejantes son precedentes
importantes para nuestra propuesta, pero el único trabajo que encontramos donde
se clasifican múltiples tipos de eritrocitos fue el de Albertini,
et al.17, donde usan procesamiento de imágenes para extraer algunos parámetros
que alimentan un discriminador lineal de siete tipos de eritrocitos.
Sorprendentemente, a pesar de usar un discriminador lineal, alcanzaron un 70%
de aciertos. Sin embargo no usaron métodos más
elaborados ya que el artículo está orientado sólo al análisis discriminante
multivariado.
En este
artículo se presenta una aplicación desarrollada en
matlab®18 que permite analizar imágenes microscópicas de frotis de sangre
periférica humana para establecer una clasificación de los eritrocitos
observados a partir de rasgos morfológicos, la cual puede ser utilizada como
herramienta de apoyo diagnóstico, no solo para diferenciar normalidad de anormalidad
sino para determinar el tipo de anormalidad característica de cada célula
observada. Reportamos los aspectos técnicos del análisis de las imágenes y
remitimos a dicho artículo para los detalles19. En este artículo presentamos los
resultados desde el punto de vista de un estudio de pruebas diagnósticas que
permitiría disminuir la incertidumbre en la toma de decisiones con base en las
anormalidades presentes en los eritrocitos.
METODOLOGÍA
Para esta
investigación se contó con 23 muestras de frotis de sangre periférica,
provenientes del Laboratorio de Referencia en Morfología Hematológica. Las
muestras fueron tratadas con coloración de Wright y se realizaron fotografías
microscópicas de 2700x3600 pixeles, con 50 pixeles por micrómetro. Las imágenes
fueron observadas a través de un microscopio Carl Zeiss,
y las imágenes fueron tomadas por una Cámara de microscopio digital. De estas
imágenes se pueden distinguir 355 eritrocitos aislados, 265 de los cuales han
sido clasificados con precisión por hematólogos expertos. De los quince tipos
de células posibles, entre las 265 células clasificadas sin duda, hay tres que
aparecen una sola vez (un leptocito, un eritroblasto y un estomatocito),
por lo que sólo se usaron 262 células así: siete Dacrocitos,
36 Eliptocitos, 42 Equinocitos,
37 Esferocitos, 20 Esquistocitos,
100 Normocitos y 20 Rollos.
Para el
desarrollo de la aplicación, inicialmente se realizó el proceso de
segmentación, mediante el cual se aíslan las células de interés de la imagen
total. Para esto se llevaron a cabo diferentes procesos como la intensificación
del contraste mediante ajustes del histograma de los niveles de luminancia sin
alterar el color19,20, seguido por un filtrado tipo mediana, el cual
reduce el ruido sin afectar los bordes. Sobre esta imagen ajustada se hizo una binarización para distinguir entre las células y el fondo
de la imagen usando el método de Otsu19,20. Posteriormente se encuentran las
regiones conectadas que puedan constituir eritrocitos aislados, rellenando los
huecos de dichas regiones para evitar confundir la palidez central con el fondo
de la imagen19,20. Con las regiones seleccionadas se construye
una máscara que permite obtener la imagen segmentada con la información
original de los eritrocitos detectados19,20. La Figura 1 muestra el
resultado del proceso de segmentación a partir de una imagen de entrada en la
que se detectaron 19 eritrocitos aislados.
|
|
Figura 1. Imagen de entrada y resultado del proceso de
segmentación
Una vez
detectadas las células de interés dentro de la imagen, el siguiente paso es la
extracción de las características de cada una de ellas. Algunas medidas, como
el área, el perímetro, la solidez, la circularidad y la excentricidad se pueden
obtener directamente de la imagen binarizada. El área
se define como el número de pixeles en la región de interés y el perímetro es
el número de pixeles en la frontera de la región de interés (los pixeles en
contacto con la región clasificada como fondo). Al considerar la
envolvente convexa de la célula, se puede calcular la solidez, esto es, la
proporción de los pixeles en la célula con respecto a los pixeles en su
envolvente convexa. Este parámetro vale uno para células convexas como los esferocitos, pero decrece rápidamente a medida que la
envolvente convexa abarca más pixeles de la región del fondo. La excentricidad
se obtiene considerando la elipse que tiene el mismo momento de inercia que la
región de interés (con respecto al eje perpendicular que atraviesa su centroide) y calculando la relación entre la distancia
focal y el eje mayor de dicha elipse. Una excentricidad igual a cero
corresponde a un círculo mientras una excentricidad igual a uno corresponde a
una línea. Por último, la circularidad se refiere a la relación de
proporcionalidad entre el área y el cuadrado del perímetro20.
|
|
Figura 2. Palidez central en un normocito
y en un esferocito
Las
siguientes cuatro medidas se refieren a la textura de la célula. La media y la
desviación estándar corresponden a las estadísticas de la intensidad de los
pixeles de la región de interés y proporcionan una primera aproximación. Sin
embargo, se ofrecen otras dos características que refinan esta descripción de
la textura de la célula al precisar la variabilidad de dicha intensidad. Una de
ellas es la palidez central, que mide el contraste entre el promedio del tono
de gris de la zona clara del centro y el promedio del tono de gris en el borde
de la célula, como muestra la Figura 2. La otra medida de textura, la
dimensión, se refiere a la dimensión boxcounting en
3D de la superficie de la célula21. Para calcular esta dimensión
consideramos la imagen 2D en tonos de gris como una superficie bi-dimensional en un espacio euclidiano tri-dimensional,
donde el nivel de gris corresponde a la tercera dimensión euclidiana.
Se utilizó
una red con siete neuronas en la capa de entrada, correspondientes a las
características medidas, con excepción de la media y la varianza, pues, como se
mencionó, ellas no aportaban ninguna información adicional a la contenida en
las siete restantes características. En la capa de
salida se dispuso de siete neuronas, correspondientes a cada tipo de célula.
Pruebas piloto mostraron que la estructura óptima de la red debía incluir siete
neuronas en la capa escondida, pues así se ajustaba la capacidad de aprendizaje
de la red con el problema de clasificación propuesto. El proceso de aprendizaje
fue el clásico algoritmo de Back-Propagation-Learning22, aprovechando la disponibilidad de
una base de datos de 23 imágenes con 355 células aisladas en ellas, 262 de las
cuales estaban ya clasificadas por un hematólogo experto. Esta base de datos se
usó para el proceso de aprendizaje, separando aleatoriamente 150 células de
entrenamiento, 50 células de verificación y 62 células de validación. El
proceso de aprendizaje se detenía cuando la tasa de aciertos en las muestras de
validación dejaba de aumentar, indicando el inicio del sobre-entrenamiento.
Después de entrenar así un amplio número de redes con distintas
inicializaciones y distintas divisiones de las muestras de entrenamiento,
verificación y validación, se escogió la red con mejores resultados en las
muestras de validación. La Figura 3 muestra un diagrama que resume el
proceso, desde la imagen de entrada hasta la clasificación de cada célula
detectada.
Figura 3. Diagrama del proceso automático de
clasificación.
RESULTADOS
Comparando
los rangos de valores característicos de cada tipo de célula para cada una de
las características evaluadas, se encontró que algunas de ellas permiten establecer
diferencias entre algunos de los tipos de eritrocitos evaluados. Por ejemplo,
en la Figura 4 se observa el rango de cada una de las características
extraídas de las imágenes, separadas para cuatro tipos de eritrocitos: Normocitos, esferocitos, equinocitos y eliptocitos
(presentamos sólo estos cuatro tipos de eritrocitos a manera de ejemplo). Se
observa cómo la circularidad es suficiente para distinguir a los esferocitos de los eliptocitos e
inclusive de los equinocitos, aunque la solidez
constituye una medida más efectiva para distinguir entre esferocitos
y equinocitos. Aunque ninguna de ellas permitiría
distinguir esferocitos de normocitos,
la palidez resulta una característica claramente discriminatoria entre estos
dos tipos de células. La excentricidad, a su vez, permite distinguir a los eliptocitos entre los demás tipos de células. Las otras
características no resultan tan discriminantes por sí mismas, aunque es notorio
que, por ejemplo, el área tiende a ser menor en los eliptocitos
que en otras células mientras el perímetro tiende
a ser mayor en los equinocitos. Las características
de media, desviación y dimensión no resultan tan discriminantes como las
características anteriormente descritas.
La Tabla
1 muestra la matriz de confusión del clasificador automático con respecto a
la clasificación hecha por los expertos, esto es, muestra la sensibilidad (qué
fracción de las muestras positivas clasificó como positivas), la especificidad
(qué fracción de las muestras negativas clasificó como negativas), la precisión
(qué fracción de las muestras que clasificó como positivas eran realmente
positivas) y la exactitud (qué fracción de muestras clasificó correctamente, ya
sea como positivas o negativas)23. Por ejemplo, todas las 36 células
clasificadas por los expertos como eliptocitos fueron
clasificadas de la misma manera por la red neuronal, y ninguna célula que no
haya sido clasificada por los expertos como eliptocito
fue clasificada como tal por la red neuronal. Esto quiere decir que, con
respecto a los eliptocitos, hubo 36 verdaderos
positivos, 226 verdaderos negativos, cero falsos positivos y cero falsos
negativos, lo cual indica que tanto la exactitud como la especificidad, la
precisión y la sensibilidad de la red fueron del 100% para los eliptocitos. Sin embargo, de los siete dacrocitos
en la base de datos, la red identificó correctamente cinco, confundió uno con
un equinocito y confundió otro con un normocito. Esto da una precisión del 83.3% (5/6), una
sensibilidad de 71.4% (5/7), una especificidad de 99,6% (254/255) y una
exactitud de 98,9% (259/262).
Los buenos resultados del clasificador con cada una de las células se
podría resumir
en una tasa total de aciertos de 97.3% (255/262). Es interesante notar que las
equivocaciones de la red también confunden a los expertos y algunas de las
equivocaciones son en realidad aciertos parciales. Por ejemplo, la Figura 5
muestra un dacrocito, un equinocito
y un eliptocito al lado de una célula que presenta
características de los tres tipos de eritrocitos. La red neuronal produce un
valor mayor a 0.5 en las tres salidas correspondientes, pero dándole
ligeramente más peso al eliptocito, mientras que el
hematólogo la clasificó como equinocito.
Figura 4. Rangos de las nueve características
seleccionadas para cuatro tipos de células.
|
Tabla 1. Validación del clasificador.
|
|
|
Figura 5. La red activa varios tipos de célula para una
misma muestra
DISCUSIÓN
En el
presente trabajo se desarrolló una herramienta de clasificación de apoyo
diagnóstico que permite de manera rápida y acertada diferenciar los tipos de
glóbulos rojos presentes en una muestra microscópica obtenida mediante frotis
de sangre periférica. Para ello se elaboró un método de clasificación que parte
del tratamiento digital de imágenes para medir algunas características de los
eritrocitos y se usó una red neuronal adecuadamente entrenada para determinar
el tipo de eritrocito correspondiente. La Figura 6 muestra la interfaz
gráfica de la aplicación desarrollada en matlab®.
|
Figura
6. Interfaz
gráfica de la herramienta desarrollada |
Al comparar
la clasificación obtenida automáticamente resaltar que las células que no
fueron adecuadamente con la clasificación realizada por los expertos, se
clasificadas presentan características morfológicas observa que la aplicación
logra clasificar certeramente comunes a más de un tipo de eritrocito, con lo
cual su j, el 97.3% del total de las células. Sin embargo cabe clasificación
presenta problemas de reproducibilidad y
objetividad
desde la forma de evaluación convencional, confundiendo también a los expertos.
Así por ejemplo, el eritrocito de la derecha en la Figura
4 presenta simultáneamente características de dacrocito,
equinocito y eliptocito, de
tal forma que aunque en este caso el experto la clasificó como un equinocito, otro experto fácilmente la hubiera podido clasificar
como un eliptocito, por ejemplo. Además
se requiere un entrenamiento de la red con el apoyo de expertos en esta área
para mejorar los resultados y poder aplicar eficazmente el software.
Cabe anotar
que en una imagen de frotis de sangre periférica puede haber leucocitos y
trombocitos además de eritrocitos, aunque su presencia no dificulta la
clasificación de glóbulos rojos porque los leucocitos (neutrófilos, linfocitos
T ó B, monocitos macrófagos, eosinófilos
y basófilos) son células nucleadas que varían entre ocho y 14 m de diámetro y
son mucho menos comunes en la sangre (cerca de un leucocito por cada 600
eritrocitos) mientras que los trombocitos son fragmentos de citoplasma de
dos a tres mm de diámetro, con cerca de un trombocito por cada 20 eritrocitos
y, en consecuencia, no es difícil distinguir los eritrocitos de los leucocitos
y los trombocitos1. Al calcular el área y el perímetro de las
regiones así detectadas, se puede determinar cuáles de ellas podrían
corresponder a eritrocitos y, así, es posible eliminar la mayoría de
trombocitos, leucocitos y formas inmaduras de eritrocitos. De esta manera
también eliminamos la mayoría de rollos y aglutinaciones. Sin embargo, cuando
los rollos están compuestos por dos eritrocitos superpuestos, pueden tener
tamaños semejantes a un eritrocito grande, por lo que se estableció un “tipo”
de eritrocito, el rollo, para detectar esta condición.
De otro
lado, las redes neuronales artificiales se han utilizado exitosamente en
diferentes campos de aplicación donde se requiera llevar a cabo procesos de
reconocimiento, identificación, detección, estimación y clasificación, cuando
no existen relaciones cerradas entre las variables de entrada y de salida que
permitan un tratamiento analítico clásico10. En nuestro caso, la combinación de
procesamiento digital de imágenes y redes neuronales ha resultado muy
conveniente para el problema de clasificación propuesto, pues la información
discriminante que se encuentra en las características seleccionadas es
altamente compleja para algún otro tipo de tratamiento.
Para
próximos trabajos se propone avanzar en el proceso de segmentación para lograr
aislar eritrocitos ligeramente superpuestos y utilizar otras características
como las relaciones de color para extender el conjunto de clases de eritrocitos
que el sistema puede detectar, incluyendo la detección de cuerpos de Howell-Jolly y otros componentes importantes para el
diagnóstico clínico.
AGRADECIMIENTOS
Producto
derivado del proyecto ING-1532, financiado por la Vicerrectoría de
Investigaciones de la Universidad Militar Nueva Granada - Vigencia 2014.
Agradecemos el apoyo del personal científico y administrativo de la Universidad
Militar Nueva Granada, el Hospital Militar Central y el Centro de
Investigaciones de la Clínica del Country en este proyecto.
CONFLICTOS
DE INTERÉS
Los autores
declaran no tener conflictos de interés.
REFERENCIAS
1.
Carr J, Rodak
B. Atlas de hematología clínica. Bogotá: Editorial médica panamericana; 2011.
2.
Naranjo C. Atlas de
hematología células sanguíneas. Segunda edición, Manizales: Centro de
publicaciones Universidad Católica de Manizales; 2008.
3.
Carr J, Rodak
B. Atlas de hematología Clínica. Tercera edición, Buenos Aires: Editorial
Médica Panamericana; 2010.
4. Campuzano Maya G. Utilidad clínica del extendido de sangre periférica: los eritrocitos. Med Laboratorio. 2008;14(7-8): 311-357.
5. Mohammed EA, Mohamed MMA, Far BH y Naugler C. Peripheral blood smear image analysis: a comprehensive review. J Pathol Inform. 2014; 5(1): 60-69. DOI: 10.4103/2153-3539.129442.
6. Micheli-Tzanakou E, Sheikh H, Zhu B. Neural networks and blood cell identification. J. Med Syst. 1997; 21(4): 201-210.
7. Khashman A. Blood cell identification using a simple neural network. Int J Neural Syst. 2008; 18(5): 453-458.
8. Bergen T1, Steckhan D, Wittenberg T, Zerfass T. Segmentation of leukocytes and erythrocytes in blood smear images. Conf Proc IEEE Eng Med Biol Soc. 2008; 2008: 3075-3078. DOI: 10.1109/ IEMBS.2008.4649853.
9. Lee H, Chen. Y. Cell morphology based classification for red cells in blood smear images. Patt Recogn Letters. 2014; 49: 155-161. DOI: 10.1016/j. patrec.2014.06.010.
10. Razali T, Wan Nurshazwani WZ, Muhammad Mahadi AJ, Faridah MN, Nik Farhan NF. Computer aided system for red blood cell classification in blood smear image. Procedia Computer Science. 2014; 42: 206-213.
11. Gual-Arnau X, Herold-García S, Simón A. Erythrocyte shape classification using integralgeometry-based methods, Med Biol Eng Comput. 2015; 53(7): 623-633. DOI: 10.1007/s11517-0151267-x.
12. Wheeless
LL, Robinson RD, Lapets OP, Cox C, Rubio A, Weintraub
M, et al. Classification of red blood cells as normal, sickle, or other
abnormal, using a single image analysis feature. Cytometry. 1994; 17(2): 159-166.
13.
Oliveros E, Domínguez
S, García P, Fernández M, Fernández K. Clasificación automatizada de
eritrocitos en imágenes de muestras de sangre periféricas. IX Congreso
Internacional de Informática en la Salud. Habana. Cuba; 2013.
14. Poon SS, Ward RK, Palcic B. Automated image detection and segmentation in blood smears. Cytometry. 1992; 13(7): 766-774.
15. Savkare SS, Narote SP. Automatic system for classification of erythrocytes infected with Malaria and identification of parasite’s life stage. Procedia Technology. 2012; 6: 405-410. DOI: 10.1016/j. protcy.2012.10.048.
16. Rezatofighi SH, Soltanian-Zadeh H. Automatic recognition of five types of white blood cells in peripheral blood. Comput Med Imaging Graph. 2011; 35(4): 333-343. DOI: 10.1016/j. compmedimag.2011.01.003.
17. Albertini MC, Teodori L, Piatti E, Piacentini M, Accorsi A, Rocchi M. Automated analysis of morphometric parameters for accurate definition of erythrocyte cell shape. Cytometry. 2003; 52A(1): 12–18.
18. MATLAB Release 2012b, The MathWorks, Inc., Natick,
Massachusetts, United States. 2015.
19. Mejía Fajardo M, Monroy Alzate M. Clasificación de formas patológicas de eritrocitos humanos. Ingeniería. 2016; 21(1): 31-48
20. Gonzalez C, Woods R. Digital image processing. 3rd edition. Upper Saddle River, New Jersey: Pearson Prentice Hall; 2008.
21. Jian L, Qian D, Caixin S. An improved box-counting method for image fractal dimension estimation. Pattern Recogn. 2009; 42(11): 2460-2469. DOI: 10.1016/j.patcog.2009.03.001.
22. Haykin S. Neural Networks and Learning Machines. New York: Prentice Hall. 2008.
23. Fawcett T. An introduction to ROC analysis. Pattern Recognition Letters. 2006; 27: 861-874.
[1] . Universidad Militar Nueva
Granada. Bogotá, Colombia
[2] . Universidad Distrital. Bogotá,
Colombia
Correspondencia: Ángela Marcela Mejía. Dirección:
Carrera 11 No.101-80. Facultad de Ingeniería Universidad Militar Nueva Granada,
correo electrónico: angela.mejia@unimilitar.edu.co. Teléfono: +1 6500000 Ext.
1326.