Estimación Ciega de Perfiles y Abundancias con Variación Total para Imágenes Hiperespectrales de Uso Clínico

Abstract

Los métodos de descomposición lineal ciega (DLC) son un conjunto de técnicas que permiten la separación de datos multi e hiperespectrales en perfiles y mapas de abundancia, los cuales han demostrado ser eficientes para clasificar diferentes tipos de tejido biológico. Sin embargo, debido a su formulación y a la presencia de ruido incidente, pueden producir mapas de abundancia con una gran presencia de granularidad en los píxeles. Debido aesto, en este trabajo se presenta una nueva propuesta de DLC que considera la información de coherencia espacial en su formulación, a través de un componente de la variación total regularizada, que llamamos estimación ciega extendida de perfiles y abundancias con variación total (EBEAE-TV). Los resultados demuestran el funcionamiento del algoritmo propuesto al evaluar datos sintéticos de imágenes microscópicas de tiempo de vida  fluorescente, disminuyendo de manera significativa la granularidad en las abundancias estimadas, reduciendo el error de estimación hasta en un 31% en comparación con un método de DLC con características similares. Estos resultados demuestran el potencial de EBEAE-TV en la estimación de perfiles y abundancias que permitan identificar y clasificar la composición bioquímica de una muestra biológica.