Análisis de Textura y Aprendizaje Computacional a partir de Microfotografía Chagásica

Abstract

El Trypanosoma cruzi es agente causal de la enfermedad de Chagas en América Latina. El análisis de presencia de nidos del parásito en muestras histopatológicas por microfotografía es requerido para determinar el daño en tejido cardíaco y que provoca miocardiopatía crónica. En este trabajo se analizó el uso de técnicas de aprendizaje computacional (redes neuronales convolucionales) en la detección de nidos de amastigotes en músculo cardíaco y la extracción de descriptores de textura de estos nidos para caracterizar y relacionar estos descriptores con la evolución del daño histológico durante la enfermedad de Chagas. Se utilizó un conjunto de microfotografías de modelo murino en etapa aguda: sujetos sanos y sujetos infectados por Trypanosoma cruzi. Para la detección automática de nidos se utilizó una red neuronal convolucional U-Net, donde validando respecto a regiones Gold Standard, esta presentó valores de AUC-ROC entre 0.96-0.97, y se obtuvieron valores de 0.81-0.88 y 0.70-0.78 para los índices de DICE y Jaccard, respectivamente. Se extrajeron características de textura para cada región detectada, utilizando Energía, Homogeneidad, Entropía y Contraste para caracterizar la textura de nidos y su relación temporal la evolución de la fase aguda de la enfermedad.  El método desarrollado puede eficientizar la detección de nidos y ser una herramienta de apoyo en el análisis de imágenes histológicas.