Reconociendo que el cuerpo humano está formado por millones de células, y que gracias a la proliferación de estas es que existen tejidos, órganos, aparatos y sistemas, además, que son las células en caso de enfermedad las que responden a la agresión o lesión; se presenta relevante el hacer investigación a nivel celular con el objetivo de estudiar características propias de las células de cada órgano, como estructura y función.

Por lo tanto, la identificación de los núcleos de las células es el punto de partida para gran parte de los análisis a nivel celular, ya que la mayoría de los 30 billones de células del cuerpo humano contienen un núcleo, y permite a los investigadores identificar cada célula individual en una muestra, y al medir cómo reaccionan las células a diversos tratamientos, el investigador puede comprender los procesos biológicos subyacentes en el trabajo.

En función de lo anterior, la base de datos usada en este proyecto es un conjunto de datos obtenidos de la primera fase del concurso Data Science Bowl 2018 (DSB) que consta de 670 imágenes histológicas con sus respectivas máscaras de núcleos previamente segmentados, que se proporcionan con fines de validación.  Dichas imágenes varían entre sí, en el tipo de célula, el tamaño y la modalidad de estás (campo claro frente a fluorescencia).

El proyecto tiene como objetivo principal la segmentación de los núcleos en cada uno de los diferentes tipos de imágenes histológicas, a través del uso de técnicas de procesamiento de imágenes. La metodología empleada abarca tres fases, pre-procesamiento, procesamiento y post-procesamiento. La primera, consta de procesamiento de color en función de las características del histograma para tomar el plano con la mayor cantidad de información posible. La segunda, implica segmentación mediante contornos activos y crecimiento de regiones utilizando múltiples pixeles semilla, para trabajar sobre las zonas de interés. Finalmente, se realiza un post-procesamiento de los núcleos celulares segmentados por medio de operaciones morfológicas y el empleó de la técnica de Watershed.

Los resultados fueron obtenidos por medio de la validación con las máscaras de referencia del total de imágenes de la base de datos. Se usó como métrica de desempeño la correlación entre la imagen de los núcleos segmentados utilizando el método propuesto, y los núcleos segmentados en las máscaras de referencias disponibles. Obteniendo entonces, una correlación promedio de  0.9468±0.1825. Además, en función de las 670 imágenes se determinó que hay en promedio 2 falsos positivos o núcleos no identificables en cada una. Así como la identificación máxima de 69 falsos negativos o zonas identificadas erróneamente como núcleos, en el conjunto total de imágenes.