Actualmente, existen muchos métodos y software para procesar imágenes de gel obtenidas mediante electroforesis bidimensional. En la literatura existen técnicas de preprocesamiento, como normalización de imágenes, corrección de fondo y filtrado, que se utilizan para mejorar la apariencia de las imágenes 2DGE.
Justificaci´ on
Con el que pretendemos mejorar la detección de proteínas en imágenes 2DGE. Un ejemplo representativo del uso de la proteómica en biomarcadores se produce en la detección del cáncer.
Descripci´ on del problema
Con el aumento de la esperanza de vida, la incidencia de muchos tipos de cáncer aumentará, hasta el punto de que millones de personas morirán cada año a causa de esta enfermedad [6]. La salud aparece como un sector estratégico a nivel nacional y regional para el fomento de la ciencia, la tecnología y la innovación.
Objetivos
Objetivo general
Objetivos espec´ıficos
Proponer una metodología de análisis para evaluar cuantitativamente el rendimiento de las técnicas de preprocesamiento de imágenes 2DGE. Analizar la metodología para el preprocesamiento adecuado de imágenes 2DGE, basada en la combinación de técnicas basadas en filtrado no lineal, regularización de imágenes y corrección de fondo, encaminadas a reducir eficazmente los efectos de las anomalías en imágenes de gel bidimensionales.
Organizaci´ on del documento
Estado del arte 5
- Adquisici´ on
- Pre-procesamiento
- Procesamiento
- Pre-procesamiento de im´ agenes
- Reducci´ on de ruido
- Correcci´ on de fondo
- Normalizaci´ on de im´ agenes
- Recomendaciones
Se pueden identificar tres objetivos generales en el preprocesamiento de imágenes 2DGE: filtrado, regulación de la intensidad de píxeles y corrección de fondo [2]. La normalización de la intensidad suele estar presente en el procesamiento de imágenes [44], pero sigue siendo una técnica de preprocesamiento.
Marco experimental 15
- Im´ agenes sint´ eticas
- Im´ agenes reales
- M´ etodos
- Indicadores cuantitativos de desempe˜ no
- T´ ecnicas de reducci´ on de ruido
- T´ ecnicas de correcci´ on de fondo
- T´ ecnicas de regularizaci´ on de imagen
- Metodolog´ıa propuesta
Para las imágenes sintéticas utilizadas en la comparación de técnicas de filtrado se eligió un tamaño de 512x512 píxeles con 250 proteínas. Además, la base de datos cuenta con la identificación de proteínas en las imágenes. En este proyecto se introdujo como índice cuantitativo para evaluar los efectos de las técnicas de filtrado en la detección de proteínas con imágenes 2DGE.
El índice de resta -IS se utiliza para evaluar técnicas de corrección de fondo. Este proyecto propone una metodología de preprocesamiento de imágenes 2DGE multinivel que combina técnicas de reducción de ruido, normalización de imágenes y corrección de fondo. Se utilizaron imágenes sintéticas e imágenes reales para validar la metodología propuesta.
Resultados y discusi´ on 28
Comparaci´ on de t´ ecnicas usando im´ agenes sint´ eticas
La Figura 4-2 muestra el indicador Spot Efficiency -SE calculado para imágenes sintéticas con ruido gaussiano. La Figura 4-5 presenta la evaluación del rendimiento de las técnicas de filtrado en imágenes ruidosas gaussianas utilizando SNR. Sin embargo, para imágenes ruidosas entre 20 y 16 db SNR, Wavelet obtiene los mejores resultados con valores SNR entre 20 y 27 db.
Se obtienen resultados similares para el indicador SNR en imágenes con ruido gaussiano (Tabla 4-2). Sin embargo, para imágenes con Rayleigh y ruido exponencial, Total Variation obtiene mejores resultados para niveles de ruido altos, es decir, para imágenes con SNR entre 12 y 8 db. La Figura 4-8 muestra una imagen con ruido, mientras que la Figura 4-9 presenta ejemplos de imágenes filtradas Wavelet, Contourlet, Total Variation y WVTV.
Filtrado de im´ agenes sint´ eticas usando GNDF
Los resultados de imágenes sintéticas con ruido de Rayleigh muestran un mejor rendimiento con el filtro Wavelet (Figura 4-11). Wavelet y GNDF, sin embargo, muestran un rendimiento similar sobre SE con imágenes sintéticas con ruido exponencial, ambos con un rendimiento superior al 85% (Figura 4-12). La diferencia más llamativa a favor de la técnica de preprocesamiento GNDF se presenta en términos del indicador SNR, GNDF obtiene un mejor filtrado de imágenes sintéticas con diferentes tipos de ruido.
Por otro lado, la SNR de las imágenes filtradas usando GNDF mejoró entre 1 y 2 db (Tabla 4-3). A pesar de las pequeñas diferencias obtenidas en términos de indicadores SE y SNR, en las imágenes filtradas se puede ver que GNDF reduce significativamente el ruido de la imagen y no provoca distorsiones en las formas de las proteínas sintéticas. Por tanto, GNDF es una técnica competitiva que puede ayudar a mejorar la detección de proteínas en imágenes 2DGE, donde, aunque su utilidad queda demostrada en este estudio, aún queda mucha investigación para optimizar esta técnica en este campo de aplicación, al ser una técnica que no ha sido utilizado antes para este tipo de imágenes, lo que representa una desventaja en cuanto al proceso de optimización de parámetros frente a técnicas tradicionales en este campo, como la transformada Wavelet y la transformada Contourlet.
Comparaci´ on de t´ ecnicas usando im´ agenes reales
Las figuras incluyen la imagen original y las imágenes filtradas con Wavelet, Contourlet, Total Variation, WVTV y GNDF. La Figura 4-18 muestra un cambio en el nivel de contraste en el gradiente morfológico de las imágenes filtradas. Por tanto, se espera mejorar el proceso de detección de proteínas en imágenes 2DGE filtrándolas con GNDF.
Las imágenes incluyen la imagen original y las imágenes filtradas con Wavelet, Contourlet, Total Variation, WVTV y GNDF. La imagen de la Figura 3-4 se utilizó para realizar una comparación cuantitativa de las técnicas de filtrado y su efecto en la detección de proteínas en imágenes 2DGE. A partir de imágenes filtradas Wavelet y Contourlet, se recuperaron el 87,9% y el 81,8% de las proteínas, respectivamente.
Correcci´ on de fondo
- Comparaci´ on de t´ ecnicas usando im´ agenes sint´ eticas
- Comparaci´ on de t´ ecnicas usando im´ agenes reales
La Figura 4-23 muestra los resultados de la corrección de fondo para otra imagen sintética. Debido a esta distorsión, los resultados obtenidos con las técnicas de corrección de fondo no son óptimos. La Figura 4-25-b muestra que la técnica de corrección de fondo basada en histograma divide el fondo en varias partes.
Por su parte, la técnica de aproximación de superficies realizó una ligera corrección de fondo en la parte superior de la imagen y una corrección completa en la parte media e inferior de la imagen. Se puede recomendar una técnica de aproximación de superficie y corrección de fondo de histograma modificada, cualitativamente, para su uso en imágenes 2DGE. Sin embargo, debido a la baja relación señal-ruido de las imágenes, se recomienda realizar un filtrado o suavizado de las imágenes 2DGE antes de aplicar cualquier técnica de corrección de fondo.
Normalizaci´ on de imagen
- Comparaci´ on de t´ ecnicas usando im´ agenes sint´ eticas
- Comparaci´ on de t´ ecnicas usando im´ agenes reales
Para las imágenes 2DGE de las Figuras 2-1b yc, también se compararán las tres técnicas de normalización del experimento anterior. La ecualización y la ecualización adaptativa aumentan el nivel de intensidad de las regiones donde se encuentran las proteínas. La técnica de ecualización adaptativa presentó un rendimiento notable tanto para imágenes reales, demostrando una menor sensibilidad al ruido provocado por el sistema de adquisición y favoreciendo el nivel de contraste de los objetos de interés.
Como se puede ver en la Figura 4-28-d, la ecualización adaptativa mitiga los efectos no deseados causados por la saturación de proteínas sin generar una distorsión significativa en el fondo de la imagen. En general, las técnicas de preprocesamiento de normalización de imágenes resaltan el contraste proteico, lo que favorece la detección de artefactos presentes en la imagen. Debido a la naturaleza de las imágenes 2DGE, la técnica más adecuada es la ecualización adaptativa, ya que presenta la menor sensibilidad al ruido, los mejores resultados cuantitativos y la menor distorsión de la imagen.
Metodolog´ıa para integrar t´ ecnicas de pre-procesamiento
Además, la Tabla 4-8 presenta el indicador de identificación de fondo, IS, para la imagen corregida mediante histogramas ajustados y la metodología propuesta. Este indicador se muestra para cada una de las técnicas de preprocesamiento aplicadas y la metodología propuesta. Además, la validación de la metodología de preprocesamiento integrado se realizó con varias imágenes reales.
La Figura 4-31 muestra el comportamiento de la metodología propuesta para la imagen 2DGE de apitoxina. La Figura 4-31-b muestra el resultado al editar una imagen usando ecualización adaptativa. Finalmente, la Figura 4-31-d presenta el resultado de la metodología general al aplicar la corrección de fondo modificada por histograma a una imagen previamente filtrada.
Validaci´ on de resultados por expertos en im´ agenes 2DGE
En este caso, se obtiene una mejor detección a partir de la imagen obtenida tras el preprocesamiento. Por ejemplo, es posible reducir proteínas falsas como la resaltada en el cuadro morado. Un comportamiento similar se observa, que logró identificar 5 proteínas adicionales con respecto a la imagen original, enmarcada en el recuadro morado, las cuales fueron clasificadas como proteínas porque poseen las propiedades espaciales presentes en las proteínas caracterizadas.
En el caso de la muestra 3 presentada en la Figura 4-39, la metodología propuesta representa la atenuación de la proteína de baja densidad resaltada en el cuadro naranja. La Tabla 4-9 presenta los resultados obtenidos cuantitativamente, donde se puede observar que el número de proteínas verdaderas se mantiene o mejora al utilizar la metodología de pretratamiento propuesta y que el porcentaje de proteínas falsas detectadas se reduce significativamente.
Conclusiones y recomendaciones 70
Recomendaciones
Finalmente, la ecualización de histogramas presentó el mejor resultado para la normalización de imágenes 2DGE, resaltando las proteínas débiles y amplificando anomalías como el ruido puntual y de fondo. Como primera etapa, se propone la normalización de la imagen mediante ecualización de histograma. La metodología propuesta logró una mitigación eficiente de las anomalías consideradas, de acuerdo con los indicadores propuestos y la perspectiva del experto en el tratamiento de imágenes 2DGE.
Este trabajo sirve como punto de partida para mejorar la calidad de las imágenes 2DGE de entrada en los procesos de detección e identificación de proteínas. Esta metodología nos permite mitigar las anomalías inherentes a este tipo de imágenes. Como trabajo futuro, se propone integrar la metodología de preprocesamiento desarrollada en este trabajo como paso inicial en el procesamiento y análisis de imágenes 2DGE.
Discusi´ on acad´ emica de los resultados
Beranova-Giorgianni, “Proteome analysis by two-dimensional gel electrophoresis and mass spectrometry: Advantages and limitations,” TrAC - Trends in Analytical Chemistry, vol. Pattini, “Evaluation of two-dimensional gel electrophoresis maps by local tangent space alignment: an application to neuroproteomics,” IEEE International Conference on BioInformatics and BioEngineering , vol. Wal-czak, “End-to-end processing of two-dimensional gel electrophoretic images,” Journal of Chromatography A, vol.
Hochstrasser, "Melanie II - a third-generation software package for the analysis of two-dimensional electrophoresis images: II. Zhao, "Efficient denoising methods for two-dimensional gel electrophoresis images," in 2011 4th International Conference on Biomedical Engineering and Informatics (BMEI), vol. Bernhardt, "State of the art in the analysis of two-dimensional gel electrophoresis images,” Applied Microbiology and Biotechnology, vol.
