Quadratic blind linear unmixing: A graphical user interface for tissue characterization

Gutierrez-Navarro, Omar; Campos-Delgado, Daniel U.; Arce-Santana, Edgar R.; Jo, Javier A.

doi:10.1016/j.cmpb.2015.10.016

Cited by 6 publications

(8 citation statements)

References 41 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Therefore, for a more general oxygen saturation analysis without knowing extinction coefficients, the blind end-member and abundance extraction (BEAE) and quadratic blind linear unmixing (QBLU) algorithms are implemented on the hyperspectral vessel images. Detailed explanation can be found in [ 38 ] and the final end-member matrix is extracted according to Eq ( 11 ): where , Y represents the input data, A N represents their correspondent abundances, ρ > 0 represents the regularization weight, N is the number of end member and L is the dimension number.…”

Section: Methodsmentioning

confidence: 99%

A hyperspectral vessel image registration method for blood oxygenation mapping

Wang¹,

Li²,

Zhou³

et al. 2017

PLoS ONE

View full text Add to dashboard Cite

Blood oxygenation mapping by the means of optical oximetry is of significant importance in clinical trials. This paper uses hyperspectral imaging technology to obtain in vivo images for blood oxygenation detection. The experiment involves dorsal skin fold window chamber preparation which was built on adult (8–10 weeks of age) female BALB/c nu/nu mice and in vivo image acquisition which was performed by hyperspectral imaging system. To get the accurate spatial and spectral information of targets, an automatic registration scheme is proposed. An adaptive feature detection method which combines the local threshold method and the level-set filter is presented to extract target vessels. A reliable feature matching algorithm with the correlative information inherent in hyperspectral images is used to kick out the outliers. Then, the registration images are used for blood oxygenation mapping. Registration evaluation results show that most of the false matches are removed and the smooth and concentrated spectra are obtained. This intensity invariant feature detection with outliers-removing feature matching proves to be effective in hyperspectral vessel image registration. Therefore, in vivo hyperspectral imaging system by the assistance of the proposed registration scheme provides a technique for blood oxygenation research.

show abstract

Section: Methodsmentioning

confidence: 99%

A hyperspectral vessel image registration method for blood oxygenation mapping

Wang¹,

Li²,

Zhou³

et al. 2017

PLoS ONE

View full text Add to dashboard Cite

show abstract

“…The estimation of the complete abundance matrix A, where this final step is obtained, once P is defined by considering all the dataset Y in (17), and computing the corresponding abundances {α k } K k=1 . Finally, these abundances in A are scaled by S to reproduce the original dataset Z according to (10). A block diagram of the EBEAE implementation is illustrated in Fig.…”

Section: C)mentioning

confidence: 99%

“…An unmixing analysis allows a quantitative characterization of a dataset by identifying the end-members and their corresponding abundances in a linear mixture model [1]- [3]. Hence, the problem of jointly estimating the end-members and their abundances in a dataset is called blind linear unmixing (BLU) analysis [10]- [12]. The unmixed dataset characterizes the constitutive components of the sample by classifying the end-members, and highlights a quantitative study of their contributions by the abundances [3].…”

Section: Introductionmentioning

confidence: 99%

Extended Blind End-Member and Abundance Extraction for Biomedical Imaging Applications

et al. 2019

Self Cite

View full text Add to dashboard Cite

In some applications of biomedical imaging, a linear mixture model can represent the constitutive elements (end-members) and their contributions (abundances) per pixel of the image. In this work, the extended blind end-member and abundance extraction (EBEAE) methodology is mathematically formulated to address the blind linear unmixing (BLU) problem subject to positivity constraints in optical measurements. The EBEAE algorithm is based on a constrained quadratic optimization and an alternated least-squares strategy to jointly estimate end-members and their abundances. In our proposal, a local approach is used to estimate the abundances of each end-member by maximizing their entropy, and a global technique is adopted to iteratively identify the end-members by reducing the similarity among them. All the cost functions are normalized, and four initialization approaches are suggested for the end-members matrix. Synthetic datasets are used first for the EBEAE validation at different noise types and levels, and its performance is compared to state-of-the-art algorithms in BLU. In a second stage, three experimental biomedical imaging applications are addressed with EBEAE: m-FLIM for chemometric analysis in oral cavity samples, OCT for macrophages identification in post-mortem artery samples, and hyper-spectral images for in-vivo brain tissue classification and tumor identification. In our evaluations, EBEAE was able to provide a quantitative analysis of the samples with none or minimal a priori information.INDEX TERMS Blind linear unmixing, constrained optimization, fluorescence lifetime imaging microscopy, hyperspectral imaging, optical coherence tomography.

show abstract

“…Estos vectores contienen la respuesta al impulso de fluorescencia en cada posición. Para poder interpretar los datos, se utilizó una técnica de descomposición espectral, concretamente el método ciego y la herramienta presentada en [7]. Esta técnica funciona bajo un modelo de mezcla lineal (1) donde representa los datos de la respuesta el impulso de fluorescencia y es una matriz de ruido.…”

Section: Metodologíaunclassified

“…Para interpretarlos, se suele acudir a diferentes metodologías; como el uso de técnicas de deconvolución [6] para extraer las respuestas al impulso del tejido y estimar los tiempos de vida de las moléculas auto-fluorescentes; o incluso técnicas de descomposición lineal [7], las cuales proporcionan una descripción cuantitativa de los datos. En ambos casos, la intensión proveer una interpretación más sencilla de los datos mFLIM para facilitar sus aplicaciones prácticas.…”

Section: Introductionunclassified

Descomposición Multi-espectral de la Respuesta al Impulso de Fluorescencia para la Detección Temprana de Cáncer Oral

Gutierrez-Navarro¹,

Campos-Delgado²,

Durán³

et al.

Self Cite

View full text Add to dashboard Cite

249Resumen-En este trabajo se explora el uso de imágenes multi-espectrales microscópicas de tiempo de vida de fluorescencia (mFLIM) en diferentes muestras de tejido oral humano in-vivo para la detección temprana de cáncer. El objetivo de este trabajo es explorar el uso de datos mFLIM para la detección de tejido con lesiones malignas, cancerosas. La tecnología mFLIM captura la respuesta fluorescente endógena en tejidos, de manera mínimamente invasiva a diferentes longitudes de onda. Por medio de un proceso de deconvolución y técnicas de descomposición lineal se obtiene una descripción cuantitativa de los componentes base de la muestra. Estos datos fueron utilizados para generar vectores de características y clasificar diferentes muestras mFLIM. Utilizando un análisis de discriminación cuadrática fue posible detectar las muestras con lesiones malignas con una sensibilidad del 72%.Palabras clave-clasificación automática, imágenes tiempo de vida de fluorescencia, lesiones malignas. I. INTRODUCCIÓNLa tendencia en el estado del arte es el desarrollo de tecnologías que puedan detectar patologías, especialmente lesiones cancerosas, de manera mínimamente invasiva, con una evaluación cuantitativa, y en el menor tiempo posible [1]. Además de estas cualidades, ya de por si difíciles de cumplir, se busca que dichas herramientas sean útiles para la detección temprana de la patología. En el caso de cáncer, es crítico diagnosticarlo en una etapa incipiente de su desarrollo para aumentar las posibilidades de recuperación y/o sobrevivencia de los pacientes. Una de estas herramientas para la detección temprana y no invasiva, son las imágenes microscópicas de tiempo de vida de fluorescencia (FLIM, por sus siglas en inglés) [2]. Esta técnica registra la respuesta fluorescente de una muestra al ser excitada por una fuente electromagnética, generalmente un láser UV. Recientemente se ha demostrado que esta tecnología es capaz de distinguir entre tejido sano y lesiones cancerosas [3][4][5].Los datos o cubos multi-espectrales FLIM (mFLIM) capturan la respuesta fluorescente en diferentes bandas de frecuencia o longitudes de onda, y suelen ser de gran tamaño. Para interpretarlos, se suele acudir a diferentes metodologías; como el uso de técnicas de deconvolución [6] para extraer las respuestas al impulso del tejido y estimar los tiempos de vida de las moléculas auto-fluorescentes; o incluso técnicas de descomposición lineal [7], las cuales proporcionan una descripción cuantitativa de los datos. En ambos casos, la intensión proveer una interpretación más sencilla de los datos mFLIM para facilitar sus aplicaciones prácticas. En este contexto, este trabajo propone emplear datos mFLIM en conjunto con técnicas de deconvolución y de descomposición lineal, para generar rasgos que permitan generar una clasificación del tejido analizado, y lograr detectar una etapa temprana de cáncer oral.El resto del artículo se detalla a continuación. En la Sección I se describe la metodología utilizada para extraer los datos y generar la descomposición lineal, d...

show abstract

Quadratic blind linear unmixing: A graphical user interface for tissue characterization

Cited by 6 publications

References 41 publications

A hyperspectral vessel image registration method for blood oxygenation mapping

A hyperspectral vessel image registration method for blood oxygenation mapping

Extended Blind End-Member and Abundance Extraction for Biomedical Imaging Applications

Descomposición Multi-espectral de la Respuesta al Impulso de Fluorescencia para la Detección Temprana de Cáncer Oral

Contact Info

Product

Resources

About