2021 TrabajoG MenaQuintero, MariaCamila

CLASIFICACIÓN MORFOLÓGICA DE ERITROCITOS EN IMÁGENES
DIGITALES DE FROTIS DE SANGRE PERIFÉRICA MEDIANTE DEEP LEARNING
María Camila Mena Quintero
Universidad Antonio Nariño
Programa de Ingeniería Biomédica
Facultad de Ingeniería Mecánica, Electrónica y Biomédica
Popayán, Colombia
2021
CLASIFICACIÓN MORFOLÓGICA DE ERITROCITOS EN IMÁGENES
DIGITALES DE FROTIS DE SANGRE PERIFÉRICA MEDIANTE DEEP
LEARNING
María Camila Mena Quintero
Proyecto de grado presentado como requisito parcial para optar al título de:
Ingeniero Biomédico
Director (a):
Ph.D. Ingeniero José Luis Narváez Semanate
Línea de Investigación:
E-Salud
Universidad Antonio Nariño
Programa de Ingeniería Biomédica
Facultad de Ingeniería Mecánica, Electrónica y Biomédica
Popayán, Colombia
2021
NOTA DE ACEPTACIÓN
El trabajo de grado titulado
CLASIFICACIÓN MORFOLÓGICA DE ERITROCITOS

EN IMÁGENES DIGITALES DE FROTIS DE SANGRE
PERIFÉRICA MEDIANTE DEEP LEARNING
_____________________________________,
Cumple con los requisitos para optar

Al título de _Ingeniero Biomédico__________.
Firma del Tutor
Firma Jurado
Firma Jurado
Popayán 2021
DEDICATORIA
Dedico este trabajo en primer lugar a
Dios, por su amor infinito, por darme la fuerza
y la vida para lograr mis propósitos.
A mis padres, Alirio y Adriana, por ser
mi motor, por todo su amor y apoyo
incondicional.
A mi hermana Laura, por su compañía
y por estar siempre para mí.
A mis abuelos Lizardo y Libia †,
Otoniel † y Justina †, por darme siempre su
bendición e impulsarme a alcanzar mis
objetivos.
A mis tíos Albeyro, Yamhile, Milena,
Dario y Blanca, por apoyarme y animarme a
seguir adelante.
A Carlos Ernesto, por sus consejos y
por creer en mí.

AGRADECIMIENTOS
A mi Director, Ph.D. Ingeniero José Luis Narváez Semanate, por su valiosa
orientación para llevar a cabo este trabajo.
Al Doctor Julián Augusto Córdoba Espinosa, Médico especialista en hematología,
por su orientación desde la parte médica para el desarrollo de este trabajo.
A la Doctora Alba Rocío Medina, Bacterióloga especialista en hematología, por su
aporte en la creación del banco de imágenes.
Al Doctor Franklin Jairo Correa Henríquez, por su orientación desde la parte médica
para el desarrollo de este trabajo.

Resumen y Abstract IX
RESUMEN
En hematología, el hemograma es una de las pruebas valorativas empleadas con
mayor regularidad en la praxis médica, ya que permite evaluar y cuantificar los diferentes
tipos de células presentes en la sangre. Sin embargo, no todas las características de las
células sanguíneas pueden detallarse con esta prueba, razón por la cual, se requiere realizar
una inspección microscópica del extendido de sangre periférica. La exploración manual del
frotis de sangre, permite extraer entre otros, información cualitativa acerca de las células
sanguíneas, por medio de una inspección visual con ayuda del microscopio; la inspección
es un proceso detallado y ordenado, que se realiza con el objetivo de buscar cambios
morfológicos que permitan establecer diferencias entre normalidad y anormalidad.
Dado que se realiza de manera manual, los resultados de este tipo de clasificación,
basada en parámetros cualitativos; dependen de la habilidad y experiencia del evaluador,
lo que puede implicar errores, gasto de tiempo y dinero.
Teniendo en cuenta lo mencionado, se implementó en Matlab un método de
clasificación eritrocitaria, basado en descriptores morfológicos (diámetro, perímetro, área,
solidez, circularidad y concavidad), a partir de los cuales se entrenó una red neuronal, a
partir de la cual se obtiene un porcentaje de exactitud del 83.3%.
Palabras clave: Método de clasificación, eritrocitos, clasificación morfológica,
Deep Learning, red neuronal.

ABSTRACT
n hematology, the hemogram is one of the evaluative tests used with greater
regularity in medical practice, since it allows to evaluate and quantify the different types of
cells present in the blood. However, not all characteristics of blood cells can be detailed
with this test, which is why a microscopic inspection of the peripheral blood smear is
required. The manual exploration of the blood smear, allows to extract, among others,
qualitative information about the blood cells, by means of a visual inspection with the help
of the microscope; The inspection is a detailed and orderly process, which is carried out
with the aim of looking for morphological changes that make it possible to establish
differences between normality and abnormality.
Since it is carried out manually, the results of this type of classification, based on
qualitative parameters; they depend on the skill and experience of the evaluator, which can
lead to mistakes, time and money.
Taking into account the aforementioned, an erythrocyte classification method was
implemented in Matlab, based on morphological descriptors (diameter, perimeter, area,
solidity, circularity and concavity), from which a neural network was trained, from which a
percentage of accuracy of 83.3% is obtained.
Keywords: Classification method, erythrocytes, morphological classification, Deep
Learning, neural network.

TABLA DE CONTENIDO
INTRODUCCIÓN ............................................................................................... 1
1. CAPÍTULO 1.............................................................................................. 5
1.1 Planteamiento del Problema ......................................................................5

1.2 Objetivos ..................................................................................................7
1.2.1 Objetivo General ................................................................................. 7
1.2.2 Objetivos Específicos ......................................................................... 7
1.3 Justificación ..............................................................................................8
2. CAPÍTULO 2............................................................................................ 11
2.1 Bases teóricas ......................................................................................... 11

2.1.1 Formación de un eritrocito maduro .................................................... 12
2.1.2 Morfología de eritrocitos ................................................................... 16
2.1.3 Procesamiento de imágenes ............................................................... 19
2.1.4 Imagen digital .................................................................................... 19
2.1.5 Vecindad y conectividad de un pixel .................................................. 20
2.1.6 Modelo RGB ..................................................................................... 21
2.1.7 Histograma ........................................................................................ 23
2.1.8 Conversión de RGB a grises .............................................................. 24
2.1.9 Binarización de la imagen .................................................................. 25
2.1.10 Segmentación de imágenes .............................................................. 25
2.1.11 Método de Otsu ............................................................................... 26
2.1.12 Filtrado ............................................................................................ 27
2.1.13 Operaciones morfológicas ................................................................ 28
2.1.14 Rellenar regiones y agujeros de imagen ........................................... 29
2.1.15 Eliminar objetos pequeños de la imagen .......................................... 30
2.1.16 Elimina las estructuras de luz conectadas ......................................... 31
2.1.17 Rasgos geométricos ......................................................................... 31
2.1.18 Machine Learning ............................................................................ 34
2.1.19 Terminología de Machine Learning ................................................. 34
2.1.20 Algoritmos de Machine Learning ..................................................... 37
2.1.21 Redes neuronales y Deep learning.................................................... 39
2.2 Estado del Arte ....................................................................................... 41
3. CAPÍTULO 3............................................................................................ 46
3.1 Metodología............................................................................................ 47
3.1.1 Fase 1. Muestreo................................................................................ 47
3.1.2 Fase 2. Exploración ........................................................................... 51
3.1.3 Fase 3. Modificación ......................................................................... 52
3.1.4 Fase 4. Modelado .............................................................................. 53
3.1.5 Fase 5. Evaluación ............................................................................ 56
3.2 Limitaciones ........................................................................................... 56
4. CAPÍTULO 4 ........................................................................................... 59
4.1 Resultados .............................................................................................. 59

4.2 Conclusiones .......................................................................................... 70
4.3 Recomendaciones ................................................................................... 71
5. ANEXOS .................................................................................................. 73
6. BIBLIOGRAFÍA ..................................................................................... 75
LISTA DE FIGURAS
Figura 1 División de la Célula Madre Sanguínea ..................................... 13
Figura 2 Etapas de Formación de los Eritrocitos ..................................... 14
Figura 3 Eritrocitos Maduros en Extendido de Frotis de Sangre Periférica .... 17
Figura 4 Morfología Eritrocitaria ............................................................ 18
Figura 5 Vecindad y Conectividad de Pixeles Vecinos .............................. 21
Figura 6 Histograma ............................................................................... 24
Figura 7 Binarización Usando el Método de Otsu .................................... 27
Figura 8 Ejemplo de Formas Básicas de Elementos Estructurantes Planos ... 29
Figura 9 Operación de Relleno de Regiones y Agujeros en una Imagen ... 30
Figura 10 Rasgos Geométricos ................................................................ 33
Figura 11 Tipo de Algoritmos Utilizados en Machine Learning ............... 38
Figura 12 Arquitectura de una Red Neuronal ........................................... 40
Figura 13 Fase de Muestreo .................................................................... 50
Figura 14 Características de Color de los Eritrocitos .............................. 52
Figura 15 Modificación Realizada a la Imagen Binarizada ...................... 53

Figura 16 Estructura del Sistema Modelado ............................................ 56
Figura 17 Resultado del Entrenamiento de la Red ................................... 63
Figura 18 Curva ROC .............................................................................. 66

LISTA DE TABLAS
Tabla 1 Características Morfológicas de las Etapas de Maduración Eritroide ... 15
Tabla 2 Escala del Modelo Aditivo ............................................................. 22
Tabla 3 Elementos de una Matriz y Notaciones en Machine Learning ......... 35
Tabla 4 Terminología de Machine Learning ................................................ 36
Tabla 5 Aportes y Desventajas de Artículos Científicos ................................ 43
Tabla 6 Estructura de la Tabla de Datos Empelada en el Entrenamiento ....... 61
Tabla 7 Elementos de la Matriz de Confusión para Cada Clase .................... 64
Tabla 8 Tabla comparativa ............................................................................ 67

LISTA DE SÍMBOLOS Y ABREVIATURAS
Símbolos con letras latinas
Definición
Símbolo Término
Unidad SI
P Perimetro m Ec. (4)
A Área m2 Ec.(5)
Cv Concavidad --- Ec.(6)
C Circularidad --- Ec.(7)
Abreviaturas
Abreviatura Término
EPO Eritropoyetina
BFU-E Unidades Formadoras de Brote Eritroide
CFU-E Unidades Formadoras de Colonias Eritroides
PE Proeritroblastos
EB Eritroblastos Basofílicos
EPC Eritroblastos Policromatofílicos
EO Eritroblastos Ortocromáticos
RET Reticulocitos
Abreviatura Término
CEM Células Eritroides Maduras

INTRODUCCIÓN
En el campo de la salud, específicamente en áreas dedicadas al análisis
hematológico, es usual utilizar equipos y aplicar técnicas para observar y describir
características de las células que permitan diferenciar condiciones normales o anormales de
las mismas.
Dentro de la hematología, el hemograma es una de las pruebas valorativas empleadas
con mayor regularidad en la praxis médica (López, 2016; Niambi, 2005; Torrens, 2015a),
ya que permite cuantificar y evaluar los diferentes tipos de células presentes en la sangre
(Brereton et al., 2015; Shirazi et al., 2015).
Sin embargo, no todas las características de las células sanguíneas pueden detallarse
con esta prueba, razón por la cual, se requiere realizar una inspección microscópica del
extendido de sangre periférica (B. H. González, 2009; Kasper, D.Fauci, 2020; Lewis & Bain,
2008; Shirazi et al., 2015; Terry & Mendoza, 2017) como una etapa final y necesaria para
el análisis del hemograma. Este tipo de análisis está indicado para todos los hemogramas
que muestren alteraciones en el proceso de recuento celular y cuando se presuma la
existencia clínica de enfermedades hematológicas primarias, secundarias o en otros órganos
(Maya Campuzano, 2008).
La exploración manual del frotis de sangre periférica, la cual se refiere al análisis
microscópico detallado y ordenado, se realiza con el objetivo de buscar cambios

Introducción 2
morfológicos relevantes para impartir diagnósticos o evaluar la evolución de
pacientes (Comar et al., 2017).
Durante años, los fundamentos hematológicos dirigidos al análisis de sangre
periférica han aportado valiosa información acerca de las tres series hemáticas (glóbulos
rojos, blancos y plaquetas), por lo tanto, realizar inspecciones manuales ha resultado
indispensable para detectar buena parte de las alteraciones morfológicas; no obstante,
analizar las muestras del frotis de sangre periférica a través de un microscopio, es un método
que requiere mucho tiempo, habilidad y experiencia, aunque es propenso a
errores(Boonstra et al., 2010; Lorsch et al., 2014; Naugler et al., 2014); debido a que, a
menudo, la inspección recae en un solo individuo, los casos varían y pueden sufrir cambios
interobservador (Brereton et al., 2015) provocando desaciertos que pueden tener un impacto
significativo en la sugerencia de diagnósticos.
En el caso especial de una de las células más abundantes en el cuerpo humano, como
son los eritrocitos (glóbulos rojos), el análisis es de gran importancia ya que suele ser uno
de los primeros pasos para determinar la condición patológica de un paciente. Los glóbulos
rojos normales tienen forma bicóncava con un área central pálida, y cualquier desviación de
tamaño, forma, volumen, estructura o color representa una célula anormal (Albertini et al.,
2003; Maya Campuzano, 2008; Yoshida et al., 2019).
Se puede evidenciar la importancia de optimizar el reconocimiento morfológico,
para la clasificación de células sanguíneas, en varios trabajos (Acharya & Kumar, 2017;
Adollah et al., 2008; Aliyu et al., 2018; Almezhghwi & Serte, 2020; Benazzouz et al., 2013;
INTRODUCCIÓN 3
Bergen et al., 2008; Çınar & Tuncer, 2021; Fatichah et al., 2012; Naugler et al., 2014; Parab
& Mehendale, 2020; Sahlol et al., 2020; Theera-umpon, 2005; Yi et al., 2016) enfocados a
secundar la inspección del frotis de sangre, teniendo en cuenta que la observación
morfológica de las células sanguíneas puede ser uno de los procesos que presenta mayor
dificultad al momento de realizarse. Dentro de los proyectos que se han desarrollado, se
puede destacar el enfoque a la inspección general del extendido de sangre periférica
(Naugler et al., 2014), asimismo, al desarrollo de sistemas de microscopía asistidos por
computadora para la generación de hemogramas diferenciales (Bergen et al., 2008), la
detección y segmentación, especialmente de los glóbulos blancos y rojos (Bergen et al.,
2008), la clasificación automática de formas patológicas de eritrocitos humanos (Mejía &
Alzate, 2015); ofreciendo una exhaustiva explicación sobre la importancia de la
clasificación morfológica en el análisis de imágenes de frotis de sangre periférica en los que
se señalan los resultados favorables obtenidos en el apoyo al diagnóstico a partir de las
características morfológicas procesadas mediante las respectivas técnicas utilizadas.

Introducción 4
ALCANCE
Investigar los procedimientos existentes para reconocer y clasificar objetos dentro
del campo de la ingeniería, específicamente aplicaciones en el área de salud, determinando
los aspectos más destacables que puedan implementarse en el proyecto. La presentación se
realizará según la metodología establecida para lograr un modelo de clasificación
morfológica de eritrocitos, que pueda aportar al reconocimiento de estas células.
A partir de un banco de imágenes que está formado por 100 láminas de frotis de
sangre periférica, se buscara segmentar eritrocitos normales y anormales, para
posteriormente, con ayuda de un Médico Hematólogo clasificar las células, con el propósito
de reconocer las características morfológicas presentes en cada una. Se seleccionaran 100
células de 6 tipos (1 normal y 5 anormales) para construir una tabla de información que
contenga 6 parámetros morfológicos (área, perímetro, diámetro solidez, circularidad y
concavidad) que permitan realizar el entrenamiento de una red neuronal para reconocer el
tipo de eritrocito, esto se lograra empleando herramientas disponibles en Matlab.
A través del uso de clasificadores se busca disminuir errores, costos y tiempo en el
proceso de identificación y clasificación. En el proyecto, esto se logrará abarcando los
descriptores morfológicos más relevantes para diferenciar dichas células.

1. CAPÍTULO 1
En la primera sección de este capítulo se da a conocer la importancia del análisis e
inspección microscópica en procesos de identificación y clasificación celular en
hematología, seguidamente se presenta situaciones que han llevado a la exploración celular
bajo microscopio a convertirse en un proceso complejo y extenuante, finalmente se expone
las razones por las cuales automatizar la identificación celular en hematología puede
representar beneficios en el campo de la salud.
1.1 Planteamiento del Problema
Para el análisis clínico del hemograma, los laboratorios de hematología suelen
disponer de tecnología automatizada que aporta velocidad en el proceso de recuento celular
(Arquitectura et al., 2016; Campuzano, 2013; Fink, 2005), sin embargo, no se puede
descartar la tradicional exploración microscópica del frotis de sangre periférica (Gonzáles,
2011; López, 2016; Niambi, 2005; Torrens, 2015b; Vademecun, 2020), puesto que permite
al especialista en hematología, reconocer variaciones morfológicas con importancia
diagnóstica que no son identificados por los autoanalizadores (Shirazi et al., 2015; Torrens,
2015a).
Durante la revisión microscópica, la observación directa implica altos grados de
dificultad y subjetividad para determinar si se trata inicialmente de una célula normal o
anormal, que pueda ocasionar variaciones en la sugerencia de un diagnóstico; por
consiguiente, dentro de la inspección eritrocitaria, la clasificación de las células considera

Capítulo 1 6
los cambios morfológicos que puedan presentarse en estas (Albertini et al., 2003; Maya
Campuzano, 2008; Yoshida et al., 2019).
A lo largo del tiempo, se ha recolectado evidencia de que al observar estas células
sanguíneas en el microscopio, la descripción y cualificación de las mismas, es
frecuentemente realizada de manera errónea (Boonstra et al., 2010; Lorsch et al., 2014;
Naugler et al., 2014); durante las etapas de análisis y post análisis donde se llevan a cabo
procesos de identificación, interpretación, clasificación, entre otros, se han obteniendo
porcentajes de error entre 13% y 46% (De la Salle, 2019), siendo este un obstáculo en
campos de estudio, diagnóstico, tratamiento y seguimiento de enfermedades hematológicas
y no hematológicas, por ejemplo, por la observación y especificación incorrecta de
hipocromía. De la misma forma y por dificultad en la observación del color, forma, tamaño
e inclusiones citoplasmáticas de los eritrocitos, se puede estar obviando una alteración
hematológica relacionada con anemias ferropénicas y talasemias (Guzmán et al., 2016;
Jaramillo & Acevedo, 2013); adicionalmente, errores en la inspección microscópica pueden
estar relacionados con la poca cantidad de muestra examinada, con requerir pruebas en el
paciente equivocado, contaminación de la muestra, muestras hemolizadas, coaguladas y
principalmente a una observación microscópica no detallada, siendo esta última una de las
causas relacionadas directamente con las dificultades que pueda presentar el profesional para
identificar ciertas características (Boonstra et al., 2010; Carraro & Plebani, 2007;
Hammerling, 2012; Naugler et al., 2014), que pueden ser cruciales para clasificar eritrocitos,
en otros casos los errores pueden implicar repetir innecesariamente mediciones y exámenes,
dando lugar a un aumento del costo y sobre carga laboral para la persona encargada de
Capítulo 1 7
analizar la muestra (Cano Corrres & Fuentes Arderiu, 2007), en la situación actual la
optimización de los recursos, tanto humanos como económicos, es esencial.
1.2 Objetivos
1.2.1 Objetivo General
Implementar un método de clasificación eritrocitaria, basado en descriptores
morfológicos, para determinar la normalidad o anormalidad de los eritrocitos en el
frotis de sangre periférica, como apoyo a la inspección microscópica en hematología.
1.2.2 Objetivos Específicos
 Desarrollar un método de clasificación basado en Deep Learning a partir de
descriptores morfológicos tomados de las imágenes del frotis de sangre periférica,
específicamente, la variación del tamaño, la distribución de hemoglobina (color), la
variación de la forma e inclusiones citoplasmáticas, para determinar la normalidad o
anormalidad de los eritrocitos en el frotis de sangre periférica.
 Construir un banco de imágenes para obtener las características morfológicas más
significativas de cada una y lograr que los algoritmos de aprendizaje realicen una
correcta asimilación de información para posteriormente evaluar el desempeño del
clasificador.
Capítulo 1 8
 Utilizando la base de datos anterior, evaluar el método de clasificación mediante la
validación profesional de un hematólogo y de herramientas como la matriz de
confusión y curvas ROC para visualizar el desempeño del algoritmo de clasificación.
1.3 Justificación
Las técnicas de diagnóstico en hematología que se utilizan actualmente tienen como
objetivo lograr resultados fiables; los laboratorios clínicos juegan un papel importante en la
toma de decisiones de los médicos sobre sus pacientes, alrededor del 60% al 70% (Arul et
al., 2018) de las decisiones clínicas, con respecto al diagnóstico y tratamiento de patologías
sanguíneas, se basan en resultados de inspección microscópica en el laboratorio (Abdollahi
et al., 2014); sin embargo, pueden ocurrir errores en cualquier fase durante el procesamiento
de la muestra, considerando esto como variables incontrolables que puedan generar
confusión al momento de entregar resultados (Chhillar et al., 2011; Ibrahim et al., 2012) .
Considerando lo anterior, se propone un método de clasificación morfológica
eritrocitaria por computadora con la finalidad de facilitar la interpretación de la imagen del
frotis de sangre de forma confiable.
Para lograrlo, el desarrollo de técnicas de procesamiento y clasificación de imágenes
digitales, basadas en el aprendizaje de características, resulta favorable para la optimización
de la revisión manual del frotis de sangre, ya que este tipo de métodos basados en machine
Capítulo 1 9
(Villaluenga, 2019), específicamente con el método de aprendizaje deep learning (LeCun et
al., 2015), facilitan la detección automática de objetos, minimizan tiempo, costos, y
confieren precisión y velocidad, ya que el entrenamiento se realiza usando una red neuronal
artificial que permite almacenar la información para clasificaciones a posteriori; este método
resulta ser una herramienta de apoyo diagnóstico principalmente, cuando la revisión
depende de la habilidad y experiencia del evaluador.
El método de clasificación basado en deep learning que se proyecta, se ve impulsado
por el deseo de contribuir, desde la ingeniería biomédica, al desarrollo de sistemas para el
fortalecimiento del análisis hematológico, especialmente, para la clasificación de eritrocitos,
ya que estos, al ser el grupo más grande de células sanguíneas, desempeñan un papel como
primeros indicadores de enfermedades tales como la malaria, anemia, leucemia, entre otras
(Mazalan et al., 2014).

2. CAPÍTULO 2
Este capítulo comprende antecedentes y marco teórico, necesarios para organizar la
información existente sobre reconocimiento y clasificación morfológica de eritrocitos. La
información recopilada es una guía para el desarrollo del proyecto, ya que a partir de la
investigación, surgen ideas de cómo hacer el estudio o hacia dónde dirigirlo, la información que se
presenta a continuación permite centrar los objetivos en el problema planteado y no desviarse de
él.
En la primera sección de este capítulo se presenta una breve descripción de técnicas de
reconocimiento y clasificación de células sanguíneas reportadas en la literatura; a partir de las
cuales se resaltan aquellos relacionaos con el reconocimiento y clasificación
eritrocitaria, seguidamente se presenta los fundamentos teóricos necesarios para comprender el
proceso de formación de un eritrocito maduro, y cómo a partir del uso de recursos tecnológicos
propios del procesamiento de imágenes y datos en ingeniería se puede entrenar una sistema capaz
de reconocer parámetros morfológicos de manera autónoma.
2.1 Bases teóricas
A continuación, se presentan las bases teóricas que sustentan la investigación sobre el
desarrollo de sistemas de clasificación basados en la morfología de eritrocitos. En esta sección se
abarcan temas que exponen aspectos importantes de la formación morfológica del glóbulo
rojo, adicionalmente, se incluye información necesaria para comprender, comó a partir de una
imagen se puede extraer información y diseñar un conjunto de algoritmos de aprendizaje que

emulen la forma en la que el cerebro humano procesa la información y sean capaces de clasificar
de manera autónoma.
2.1.1 Formación de un eritrocito maduro
El desarrollo del eritrocito maduro surge a partir de un proceso de formación y maduración
denominado hematopoyesis (Rodak, 2010), durante este suceso, las células madres pluripotenciales
se renuevan, proliferan, replican y diferencian (Romito & Cobellis, 2016; Yu & Thomson, 2008),
dando lugar a los distintos tipos de células maduras (Madhumita & Zon, 2013) que pueden
identificarse por su morfología. La hematopoyesis tiene lugar en la medula ósea en donde se forman
células madre, precursoras y maduras (Kasper, D.Fauci, 2020), no obstante, una vez el eritrocito se
transforma en una célula madura, es liberado hacia la sangre periférica (Adewoyin & Nwogoh,
2014; Kasper, D.Fauci, 2020; Longo, 2012); si se presentaran alteraciones durante la
hematopoyesis, podría desarrollarse situaciones de sobreproducción de células hematopoyéticas
como las leucemias, o a una producción deficiente de las mismas como en la anemia aplástica
(Mayani et al., 2007).
Como se ha mencionado, las células madres pluripotenciales (Romito & Cobellis, 2016)
(Romito & Cobellis, 2016) , son células capaces de proliferarse, estas células gracias a factores de
crecimiento, se dividen en dos grupos, mieloides y linfoides; las células mieloides son producidas
a partir de un proceso conocido como mielopoyesis, mientras que las linfoides resultan de la
linfopoyesis (Karpovitch, 2021). La célula madre mieloide (Sepúlveda & Soto, 2014), se
transforma en uno de los tres tipos de células sanguíneas, glóbulos rojos, plaquetas y glóbulos
blancos. Este proceso se ilustra en la Figura 1.

Capítulo 2 13
Figura 1
División de la Célula Madre Sanguínea
Nota. La célula madre sanguínea da origen a la célula madre mieloide y linfoide, que a su vez
originan a los tres tipos de células sanguíneas (glóbulos rojos, glóbulos blancos y plaquetas). Fuente:
Figura tomada de (Espinoza, 2016).
A partir de la formación de la célula madre mieloide y gracias a un proceso conocido
como eritropoyesis (Tobella, 1982; Universidad militar Nueva Granada, 2020), se estimula la
liberación de eritropoyetina (EPO) (Bunn, 2013), una hormona encargada de inducir la
proliferación y maduración de los precursores eritroides. En la eritropoyesis el progenitor eritroide
da origen a unidades formadoras de brote eritroide (BFU-E), las cuales a su vez originan unidades
formadoras de colonias eritroides (CFU-E), para posteriormente dar lugar a proeritroblastos (PE),
eritroblastos basofílicos (EB), eritroblastos policromatofílicos (EPC), eritroblastos ortocromáticos

(EO), reticulocitos (RET) y finalmente células eritroides maduras (Fernández et al., 2010;
Karpovitch, 2021; Rodak, 2010; Sepúlveda & Soto, 2014). En la Figura 2 se ilustra este proceso.
Figura 2
Etapas de Formación de los Eritrocitos
Nota. En la parte izquierda de la ilustración se presentan las etapas de formación de las células
progenitoras, en el lado derecho se evidencia las etapas de formación por las que atraviesa el eritrocito hasta
convertirse en una célula madura. Fuente: Parte izquierda de la ilustración adaptada de (Rodak, 2010), la
sección derecha de la figura es de origen propio, corresponden a imágenes captadas en el laboratorio de
patología clínica, de la clínica “La Estancia”- Popayán.
Como puede apreciarse en la figura anterior, a medida que el eritrocito se desarrolla,
presenta características morfológicas propias, que facilitan identificar y distinguir en qué etapa de
Capítulo 2 15
formación se encuentra (Tabla 1), conocer la morfología desde la etapa de formación es valioso
porque puede dar indicio de formaciones anormales (Tarín et al., 2015; Vademécum, 2020).
Tabla 1
Características Morfológicas de las Etapas de Maduración Eritroide
Etapa de Tamaño Núcleo Citoplasma Localización

Formación
Pronormoblasto 12 – 20 μm Redondo Azul oscuro Médula ósea (Pronormoblastos

se encuentran en un 1%)
Eritroblastos 10 – 15 μm Redondo Azul oscuro Médula ósea (Eritroblastos B.

basófilos se encuentran en un 1-4%)
Eritroblastos 10 – 12 μm Redondo Azul grisáceo Médula ósea (Eritroblastos P.

policromático se encuentran en un 10-20%)
Eritroblastos 8 – 10 μm Redondo Azul salmón Médula ósea (Eritroblastos O.

ortocromático se encuentran en un 5-10%)
Reticulocito 8 – 8,5 μm Ausente Azul salmón Médula ósea (Reticulocitos se

encuentran en un 1%)
Sangre periférica
(Reticulocitos se encuentran en
un 0.5-2%)
Eritrocito 7 – 8 μm Ausente Salmón Sangre periférica: Célula

maduro predominante
Pese a la importancia que tienen las características morfológicas del eritrocito en cada una
de las etapas de formación, es relevante para el desarrollo del proyecto, conocer a profundidad las
características morfológicas del eritrocito maduro, puesto que, es la morfología (tamaño, color,
forma, etc.) de esta fase, la que permitirá entrenar el sistema de aprendizaje. Esta tabla ha sido
adaptada de (Hamid, 2013; Rafael et al., 2019; Rodak, 2010).
2.1.2 Morfología de eritrocitos
Los eritrocitos, forman parte de alrededor del 45% del total del volumen de la sangre
(Zamudio, 2017) , estos nacen en la médula ósea, donde maduran y son liberados al torrente
circulatorio. Estas células viven 120 días, en los cuales cumplen con dos funciones importantes, se
encargan de proveer oxígeno (O2) a todas las células y a su vez, recogen dióxido de carbono (CO2)
y productos de desecho del metabolismo celular (Berga, 2009).
El eritrocito es una estructura independiente, anucleada, que tienen la forma de una esfera
desinflada, referido como un “disco bicóncavo” (Fernández et al., 2010; Maya Campuzano, 2008;
Rodak, 2010), tienen un tamaño que oscila entre 7 y 8 μm (Bjerrum, 2010), un volumen
aproximado de 91 fl y un área de casi 135 μm2 (Tombak, 2019), bajo el microscopio y con la
aplicación de técnicas propias de laboratorio (Villatoro & To, 2018), se visualizan como se muestra
en la Figura 3, donde se observa el área central pálida y una concentración mayor de
la hemoglobina en la periferia.
Capítulo 2 17
Figura 3
Eritrocitos Maduros en Extendido de Frotis de Sangre Periférica
Fuente: Propia, imagen captada en el laboratorio de patología clínica, de la clínica “La
Estancia”- Popayán.
Partiendo de lo antedicho, para determinar qué características de las que se observan no son
normales en la morfología eritrocitaria, se consideran aquellas propiedades físicas que se
encuentran fuera de su estado natural o de las condiciones que deberían mantenerse para que pueda
considerarse normal (Arquitectura et al., 2016; Rodak, 2010; Simón Pita, 2019; Vademecun, 2020).
En la Figura 4 se presenta la morfología eritrocitaria (Jones, 2009), clasificada por tamaño, color,
forma, presencia de inclusiones, distribución de células y formación de cristales (Bhargava et al.,
2018; Ford, 2013; Lynch, 2011; Pathologists, 2018).

Figura 4
Morfología Eritrocitaria
Fuente: Elaboración propia. Células captadas en el laboratorio de patología clínica, de la

clínica “La Estancia”- Popayán.
A nivel clínico, para clasificar a los eritrocitos por color, se dice que, el área de la palidez
central de la célula está relacionada con el área total de la célula, esta relación se expresa como 1/3;
que, según la palidez central, permite clasificar a los eritrocitos como, normocrómicos cuando la
palidez central = 1/3, que corresponde a una cantidad normal de hemoglobina, hipocrómicos cuando
la palidez central < 1/3, que corresponde a una cantidad baja de hemoglobina, e hipercrómicos
cuando la palidez central > 1/3, que corresponde a una cantidad alta de hemoglobina (Ford, 2013;
Lynch, 2011; Rahman et al., 2021). Estos elementos actúan como tres características
discriminatorias, que desempeñan un papel importante en la clasificación de los glóbulos rojos.
Para clasificar a los eritrocitos por su forma y tamaño se considera principalmente la
relación entre el área, el perímetro, la solidez, la circularidad y el diámetro, que permiten describir
geométricamente a la célula (Mejía & Alzate, 2015; Rahman et al., 2021).

Capítulo 2 19
2.1.3 Procesamiento de imágenes
En esta sección del capítulo se presenta una revisión general de la técnica de procesamiento
de imágenes, en el que se exponen los diferentes filtros y métodos de análisis existentes, que son
utilizados para el cumplimiento de los objetivos de este proyecto. El procesamiento de imágenes es
crucial en esta investigación pues son las herramientas de esta área las que permiten mejorar la
calidad de las imágenes con el objetivo de prepararlas para la extracción de información. El
procesamiento de imágenes digitales implica el uso de ordenadores por medio de los cuales se
manipulan las imágenes digitales a fin de mejorar su calidad o modificar su forma (Medrano,
2014).
2.1.4 Imagen digital
Una imagen digital es una serie de números enteros, denominados números digitales, cada
uno de los cuales cuantifica el nivel de gris o el grado de oscuridad en un elemento en particular
(Nucci et al., 2014), haciendo referencia a una función en dos dimensiones f (x, y), donde: x , y son
coordenadas espaciales, f corresponde a la amplitud en el punto (x, y), por tanto una imagen digital
es una reproducción pictórica que se divide en una cuadrícula de puntos (x, y) o píxeles ; tanto las
coordenadas x, y, como la amplitud de la función f son valores finitos (Gonzales, 2014; Wolf et al.,
2014a). En el procesamiento de imágenes digitales, el número digital de cada píxel en una imagen
original se ingresa en una computadora, con su ubicación de filas y columnas, seguidamente tras
realizar una operación, internamente se realizan acciones sobre el número digital, para
posteriormente almacenar los resultados en otra matriz que corresponde a la imagen nueva o
modificada (Wolf et al., 2014b).
2.1.5 Vecindad y conectividad de un pixel
Vecindad
 4 vecinos
Los 4 vecinos del píxel 𝑃, indicados por 𝑁4(𝑃), corresponden a los píxeles ubicados en
(𝑥 − 1, 𝑦), (𝑥 + 1, 𝑦), (𝑥, 𝑦 − 1) 𝑦 (𝑥, 𝑦 + 1), posicionados respectivamente, arriba (norte),
abajo (sur), a la izquierda (oeste) y derecha (este) del píxel P.
 8 vecinos
Los 8 vecinos del píxel 𝑃, indicados por 𝑁8(𝑃), corresponden a los píxeles ubicados en
(𝑥 − 1, 𝑦 − 1), (𝑥 − 1, 𝑦 + 1), (𝑥 + 1, 𝑦 − 1) 𝑦 (𝑥 + 1, 𝑦 + 1), posicionados en noroeste,
noreste, suroeste y sureste del píxel P. En la Figura 5 se muestran los tipos de vecindad.
Conectividad
La conectividad entre dos pixeles P y Q en una imagen, se establece si P y Q son vecinos y
además sus niveles de gris se encuentran dentro de la similitud. Se puede establecer tres tipos de
adyacencia entre dos pixeles P y Q, la 4 adyacencia, la 8 adyacencia y la m adyacencia.

Capítulo 2 21
Figura 5
Vecindad y Conectividad de Pixeles Vecinos
Fuente: Figura adaptada de (Sinecen, 2016).
2.1.6 Modelo RGB
El espectro visible para el ser humano se encuentra entre la luz violeta y la luz roja, la luz
se refleja y es capturada por el ojo humano a través de la córnea. La córnea inclina la luz hacia la
pupila, que regula la cantidad de luz que llega al cristalino (Colicchia et al., 2008), que a su vez,
enfoca la luz en la retina (Zhu et al., 2012).
La retina tiene dos tipos distintos de células que detectan la luz y reaccionan frente a ella,
se trata de los conos y los bastones (Baker & Kerov, 2013); los conos, por su lado, contienen
pigmentos o moléculas que detectan el color (Puell, 2006), los seres humanos tienen tres tipos de
conos: rojo, verde y azul (Ferreruela, 2007), por tanto el ojo humano capta los colores partiendo de
la combinación de tres colores primarios: rojo (R), verde (G) y azul (B) (Willoughby et al., 2010).
Considerando lo mencionado, se plantea que un modelo de colores es un modelo matemático con

el que es posible representar un color en forma numérica (Pajares, 2001). El modelo RGB, es uno
de los modelos más conocidos, su nombre viene de las iniciales de Red, Green y Blue, así mismo
los colores se consiguen sumando haces de luz roja, verde y azul en diferentes proporciones, por lo
que también es conocido como modelo “aditivo”.
A partir del modelo RGB se forman los colores primarios de la luz, ya que con ellos, se
pueden representar todos los colores, siendo negro la oscuridad absoluta y blanco representa la
claridad absoluta (Taquía, 2017). Cada color primario se codifica con un byte (8 bits) de manera
que la intensidad de cada una de las componentes se mide según una escala que va del 0 (que
significa que tiene nada de intensidad) al 255 (que significa que tiene toda la intensidad) (Tabla
2)(Ordoñez, 2005; Sinecen, 2016; Tyagi, 2018; Zambrano U., 2018).
Tabla 2
Escala del Modelo Aditivo
Color Rojo (R) Verde (V) Azul (A)

resultante
Negro 0 0 0
Blanco 255 255 255
Rojo 255 0 0
Verde 0 255 0
Azul 0 0 255
Amarillo 255 255 0
Cian 0 255 255
Magenta 255 0 255
Capítulo 2 23
2.1.7 Histograma
El histograma es una representación gráfica de los datos que contienen los distintos tonos
de una imagen (Catalán, 2019), definido en la literatura como una función f(x, y) con L niveles
de gris dentro de un rango [0, L-1], denotado como h(rk) la cual es una función discreta (Azuela,
2014),como se muestra en la ecuación (1).
𝑛𝑘
ℎ(𝑟𝑘) = (1)
𝑁
donde rk es el k-ésimo nivel de gris, nk es el número de pixeles en la imagen con el nivel
de intensidad rk y N es el número total de pixeles en la imagen.
Un histograma se representa mediante una gráfica de barras que representa la frecuencia
relativa de los niveles de intensidad de una imagen (Roberto, 2013), el eje horizontal representa
los diferentes tonos de gris desde el negro puro (a la izquierda) al blanco puro (a la derecha)
(Depaoli et al., 1903); por lo tanto en un histograma se registra la frecuencia a la que se
producen las mediciones o el rango de medición (Stéphane, 2009). La medición para cada tono
generalmente se registra en el eje horizontal y la frecuencia o el número de pixeles que contiene
la imagen se registran en el eje vertical. Esta descripción se ilustra en la Figura 6.

Figura 6
Histograma
Nota: Es inusual ver que exista una distribución equitativa en el histograma, es más común
que tenga forma de una campana (Banday et al., 2020; Gao, 2009). En la figura a) corresponde a la
imagen original, b) es el histograma de la imagen. Fuente: Elaboración propia.
2.1.8 Conversión de RGB a grises
En una imagen RGB, los valores de intensidad para cada una sus componentes están en el
rango de 0 a 255 (Ordoñez, 2005). El proceso de conversión a niveles de gris consiste en calcular
el promedio de los valores de intensidad de las tres componentes (Domínguez, 1996). Cada valor
calculado se redondea para formar una nueva matriz con valores de intensidad que pueden estar en
el rango de 0 a 255 (Taquía, 2017).

Capítulo 2 25
2.1.9 Binarización de la imagen
Durante el proceso de segmentación, uno de los procesos más importantes es la
binarización de la imagen, ya que esto permite convertir los niveles de gris en valores binarios. En
una imagen binaria, solo pueden existir 2 valores, 1 los píxeles correspondientes al objeto y con 0
aquellos que corresponden al fondo (R. C. Gonzalez & Woods, 2018; Nucci et al., 2014), la
binarización es decisiva para una buena segmentación de la imagen, puesto que esto permitirá
separar el fondo de los objetos de interés (Sinecen, 2016).
2.1.10 Segmentación de imágenes
La segmentación de imágenes, consiste en un proceso de división de la imagen, en las partes
que la constituyen hasta un nivel de división en el que se aíslan las regiones u objetos de interés (R.
Gonzalez & Woods, 2008). Los algoritmos de segmentación se basan en las propiedades básicas
de los valores del nivel de gris es decir, la discontinuidad o similitud entre los niveles de gris
existentes con los píxeles vecinos (Medrano, 2014). Los algoritmos de segmentación están
orientados a utilizar técnicas de reconocimiento de regiones y detección de bordes (Bovik, 2009),
estas técnicas respectivamente hacen referencia a la agrupación de pixeles de acuerdo a la similitud
que pueda existir entre ellos y a la búsqueda del contorno de los objetos de interés mediante los
límites de las regiones.
La umbralización es una técnica de segmentación ampliamente utilizada cuando hay una
clara diferencia entre los objetos a extraer respecto del fondo de la escena. Los principios que rigen
son la similitud entre los píxeles pertenecientes a un objeto y sus diferencias respecto al resto. Por
tanto, la escena debe caracterizarse por un fondo uniforme y por objetos parecidos (Lopez, 2005).
2.1.11 Método de Otsu
El método de umbral de Otsu implica iterar a través de todos los posibles valores de umbral
(Bangare et al., 2015) y calcular una medida de dispersión para los niveles de píxeles a cada lado
del umbral (Yousefi, 2015). El objetivo es encontrar el valor de umbral en el que la suma de los
diferenciales de primer plano y de fondo sea mínima (Liu & Yu, 2009).
La conversión de una imagen en escala de grises a monocromática es una tarea común de
procesamiento de imágenes. El método de Otsu, que lleva el nombre de su inventor Nobuyuki Otsu,
es uno de los muchos algoritmos de binarización, el método elige un umbral óptimo maximizando
la varianza entre las clases utilizando una búsqueda exhaustiva (García, 2008; Szpringer, 1973),
esta descripción puede verse en la Figura 7 .

Capítulo 2 27
Figura 7
Binarización Usando el Método de Otsu
Nota. La importancia del método de Otsu radica en que es automático, es decir, no necesita
supervisión humana ni información previa antes de su procesamiento (Lopez, 2005).
Fuente: Elaboración propia.
2.1.12 Filtrado
Un filtro de imagen es una técnica mediante la cual se resaltan o suprimen, de forma
selectiva, información contenida en una imagen a diferentes escalas espaciales, para destacar
algunos elementos de la imagen, o también para ocultar valores anómalos. Para transformar la
imagen modifican determinados rangos de frecuencia de los pixeles en las imágenes, operan
directamente sobre cada pixel en función de sus vecinos. Los filtros se pueden expresar mediante
la siguiente ecuación ((2) (Rojas et al., 2018).

NDi − 1, j − 1 + NDi, j − 1 + NDi + 1, j − 1 + NDi − 1, j + NDi, j + NDi + 1, j + NDi − 1, j + 1 + NDi − 1, j + 1 + NDi − 1, j + 1
𝑁𝐷 ′ 𝑖, 𝑗 = (
9
(2)
donde i y j representan la fila y la columna de cada pixel, ND i, j su nivel digital y ND’ i, j
el nivel digital obtenido tras hacer el filtrado.
Mediante diferentes combinaciones de parámetros asignados a los diferentes pixeles
circundantes se pueden conseguir diferentes efectos, durante el proceso de segmentación de las
imágenes de frotis de sangre periférica, se empleó el filtro mediana.
El filtro mediana es un filtro en el dominio del espacio, es utilizado para eliminar ruido en
una imagen, tiene la ventaja de que el valor final del pixel es un valor real presente en la imagen y
no un promedio, de este modo se reduce el efecto borroso que pueden tener las imágenes. La
mediana se calcula ordenando los valores de los pixeles vecinos en orden y seleccionado el que
queda en medio.
2.1.13 Operaciones morfológicas
La morfología matemática se basa en el análisis de las estructuras espaciales, sobre las
cuales se realiza operaciones de teoría de conjuntos; dicho análisis es morfológico porque se basa
en la geometría y la forma de los objetos (Soille, 2001).
La principal aplicación de las operaciones morfológicas es en las imágenes binarias, es
usada frecuentemente con el objetivo de suavizar bordes, remover pequeños componentes o unir
elementos no conectados, tratando de mantener siempre la forma original de los objetos (Torres &
Capítulo 2 29
Bello, 2006), esto se logra por medio de otro conjunto de forma conocida como elemento
estructurante. El tamaño y la forma de este elemento se escogen de acuerdo a la morfología del
conjunto sobre el que va aplicar y de acuerdo a la extracción de formas que se desean obtener
(Zamora, 2002). En la Figura se presentan algunos de los elementos estructurantes más utilizados.
Figura 8
Ejemplo de Formas Básicas de Elementos Estructurantes Planos
2.1.14 Rellenar regiones y agujeros de imagen
Consiste en una secuencia de dilataciones, complementos e intersecciones a partir de los
cuales se realiza un proceso de relleno, en el que se aplica recursivamente la siguiente ecuación (3).
𝑋k = (𝑋k − 1 + B) ∩ Ac (3)
donde:
 k = 1, 2, 3, 4,…
 B es el elemento estructural siguiente.

El algoritmo se repite "n-veces" hasta que Xk = Xk-1, La unión de Xk y A es la frontera y la
región rellena, es decir, se logra mantener los puntos dilatados siempre dentro de los bordes de la
imagen original. En la Figura 9 se ilustra este proceso.
Figura 9
Operación de Relleno de Regiones y Agujeros en una Imagen
2.1.15 Eliminar objetos pequeños de la imagen
El cierre morfológico elimina todos los componentes conectados que tienen menos de P
píxeles de la imagen binaria, es útil para rellenar pequeños agujeros de una imagen conservando la
forma y el tamaño de los objetos de la imagen, esta operación se conoce como apertura de área.
Capítulo 2 31
2.1.16 Elimina las estructuras de luz conectadas
Suprime las estructuras en la imagen que son más claras que su entorno y que están
conectadas al borde de la imagen.
2.1.17 Rasgos geométricos
Las características geométricas de los objetos en una imagen, son mediciones que pueden
obtenerse del número de pixeles de una región de la imagen, la cantidad de pixeles del contorno de
un objeto, esquinas de un objeto, o bien puntos característicos del esqueleto de un objeto (Castejón
et al., 2007; Matlab, 2017; Rico, 2015).
 El perímetro
Corresponde al número total de píxeles que conforman, sin embargo, los píxeles de bordes
diagonales se ponderan con raíz de dos (√2 ),como se presenta en la ecuación (4) (Olson, 2011).
𝑃 = ℎ + 𝑣 + √2 𝑑
(4)
donde, h corresponde a los componentes horizontales, v corresponde a los componentes
verticales y d a los componentes diagonales.

 El diámetro: Corresponde a la distancia existente entre dos píxeles del contorno, que se
encuentren más alejados. El fragmento que los une se denomina eje mayor y el eje
perpendicular a éste, se define como eje menor (Olson, 2011).
 El área: Se define como la suma de las áreas de cada pixel individual p que componen la
región, expresada como la ecuación (5) (Olofsson, 2014).

𝐴 = ∑ 𝑎𝑝 (5)
 Envolvente (Bounding box): Encierra al objeto de análisis (Olson, 2011).
 La solidez: Corresponde a la relación de píxeles del casco convexo que se encuentran en la
región, devuelta como escalar (Olson, 2011).
 Concavidad: La concavidad de un objeto se puede determinar a través de la división del
área total del elemento, por el área interna del elemento (Rahman et al., 2021).Esta
descripción se presenta en la ecuación (6).
𝐴𝑡
𝐶𝑣 = (6)
𝐴𝑖
donde , At es el área total y Ai corresponde al área interna.
Circularidad: La circularidad corresponde a la relación entre el perímetro (P) de un círculo
y su área (A), que describe la forma de una partícula (Cox, 1927); por tanto, la circularidad
puede variar de dos formas, por cambios en el área y por cambios en el perímetro, si el área
Capítulo 2 33
y el perímetro no varían, la circularidad será constante; sin embargo, si el área se mantiene
constante y el perímetro aumenta, la circularidad disminuirá (Krumbein, 1941). En
consecuencia se presenta un aumento en el valor del perímetro, que representa una
disminución de la circularidad de una partícula (Takashimizu & Iiyosh, 2016), la ecuación
(7) describe lo expuesto.
4𝜋𝐴
𝐶= (7)
𝑃2
En la Figura 10 se ilustra las características geométricas descritas.
Figura 10
Rasgos Geométricos
Fuente: Ilustración adaptada de (Villavicencio et al., 2014).

2.1.18 Machine Learning
El machine learning es una rama de la inteligencia artificial basada en los llamados big data,
que utiliza algoritmos computacionales para emular la inteligencia humana a través del aprendizaje
de situaciones específicas del entorno (Kuppusamy, 2019). En los últimos años, se han desarrollado
diversas aplicaciones basadas en el aprendizaje automático, para realizar reconocimiento de
patrones, detección de rostros, filtros anti-spam para correo electrónico, conducción automática de
vehículos, reconocimiento de voz e imágenes (Kuppusamy, 2019), ingeniería de naves espaciales,
clasificación de secuencias de ADN, hasta aplicaciones médicas encaminadas a buscar diagnósticos
y buscar soluciones para tratar enfermedades (Naqa & Murphy, 2015).
2.1.19 Terminología de Machine Learning
En Machine Learning regularmente se utilizan matrices y notaciones vectoriales para
referirse a los datos (Escalona, 2020), dicha notación de referencia se presenta en la tabla 3.
Capítulo 2 35
Tabla 3
Elementos de una Matriz y Notaciones en Machine Learning
Elemento de la matriz Notación
Fila Muestra
Observación
Dato puntual
Columna Características
Atributos
Columna general Objetivo
(Valor que se pretende predecir ) Etiqueta
Respuesta
Adicionalmente, existe una terminología empleada a nivel de Machine Learning para
hacer referencia a los procesos de manipulación y análisis de datos, que permiten de manera
global, la comprensión de la información sin que se presenten ambigüedades (A. González, 2015;
Langley & Carbonell, 1984). En la Tabla 4 se presenta la terminología empleada.

Tabla 4
Terminología de Machine Learning
Termino Definición
Conjunto de datos empleados para entrenar

Dataset
un sistema de detección de patrones
Big data Tipo de fuente de datos que tenga al menos

una de cuatro características compartidas: Volumen
de datos, variedad de datos, movimiento de datos a
alta velocidad y veracidad en los datos.
Técnica en la que los objetos con

Clustering
parámetros similares se agrupan respectivamente
(clúster).
La minería de datos descubre patrones

Minería de datos
anteriormente desconocidos.
Modelo Salida de información que sirve para hacer

predicciones, según los patrones que se han
detectado en el entrenamiento.
Clasificación y regresión Una categoría es predicha por la

clasificación, mientras que un número es predicho
por una regresión.
Árbol de decisión A partir de un modelo gráfico, se

representan los patrones reconocidos en el proceso
de aprendizaje.
Confianza Probabilidad de acierto dada en porcentaje

para cada una de las predicciones.
Capítulo 2 37
2.1.20 Algoritmos de Machine Learning
El Machine Learning funciona gracias a la implementación de algoritmos que utilizan un
conjunto de datos con los que se entrena un sistema y a partir de los cuales se construye un modelo
para predecir y clasificar nuevos eventos desconocidos por el algoritmo, imitando un proceso
cognitivo humano (Beunza et al., 2020). Existen diversos tipos de algoritmos de Machine Learning,
pero uno de los más populares, sobre todo en el campo de la salud, son las redes neuronales (Page
et al., 1996; T. C. W. Poon et al., 2001; Pouliakis et al., 2016; Sáenz Bajo & Álvaro Ballesteros,
2002; Wilding et al., 1994); sin embargo se reconocen tres grandes tipos de aprendizaje de
algoritmos de Machine Learning que incluyen aprendizajes supervisados, no supervisados y por
refuerzo, que se ilustran en la Figura 11.

Figura 11
Tipo de Algoritmos Utilizados en Machine Learning
Fuente: Imagen adaptada de (Beunza et al., 2020).
Dado el enfoque del proyecto, es relevante conocer únicamente aquellos términos
relacionados con el aprendizaje supervisado.
 Aprendizaje supervisado
Hace referencia a un tipo de modelo de Machine Learning que trabaja con un conjunto de
datos en los que los resultados de salida son conocidos; el modelo aprende de los resultados
conocidos y realiza ajustes para adaptarse a los datos de entrada (Grado et al., 2018). Una vez el
modelo es entrenado adecuadamente, realiza predicciones adecuadas ante nuevos datos no

Capítulo 2 39
procesados previamente (Çelik, 2018). Hay dos aplicaciones principales de aprendizaje
supervisado, clasificación y regresión.
 Clasificación: El objetivo es predecir las clases categóricas (valores discretos, no
ordenados, pertenencia a grupos) (Çelik, 2018).
 La regresión: Se utiliza para asignar categorías a datos sin etiquetar, donde se busca
encontrar una relación que proporcione un resultado continuo (Çelik, 2018).
2.1.21 Redes neuronales y Deep learning
Como se ha venido mencionando, una red neuronal intenta imitar la forma en que el cerebro
humano resuelve problemas, ya que en su estructura existen varias capas que simulan la conexión
neuronal biológica, dentro de las capas de una red artificial, se destaca una capa de entrada, una o
varias capas ocultas y una capa de salida (Buscema et al., 2018). Habitualmente, para realizar un
entrenamiento, las redes neuronales artificiales permiten el ingreso de datos a través de su capa de
entrada, posteriormente los datos se modifican en una capa oculta y finalmente las capas de salida
presenta los resultados obtenidos (Langley & Carbonell, 1984), las redes neuronales se utilizan a
menudo para el reconocimiento de imágenes y la visión por computadora, en la Figura 12 se
evidencia la arquitectura de una red neuronal.
El término Deep Learning se utiliza cuando hay múltiples capas ocultas dentro de una red
neuronal; que usan un enfoque iterativo que se adapta y hace inferencias hasta llegar a un punto de
parada específico (Langley & Carbonell, 1984).

Figura 12
Arquitectura de una Red Neuronal
Fuente: Ilustración adaptada de (Langley & Carbonell, 1984; Matlab Academy Mathworks, 2020).
Capítulo 2 41
2.2 Estado del Arte
El microscopio es una tecnología fundamental para los laboratorios clínicos, ya que los
progresos más importantes relacionados con el estudio y descripción de la histología han sido
posibles gracias a la invención del microscopio óptico, dado que su desarrollo permitió transformar
una realidad imperceptible para el ojo humano en un tema de interés hasta la actualidad
(Deshpande & Gite, 2021; María & Rosa, 2015).
Las imágenes de células sanguíneas que logran apreciarse a partir de la inspección
microscópica, han permitido al ser humano, realizar procedimientos de contar o categorizar células;
dicha actividad otorga al experto la habilidad de clasificar estructuras como normales o anormales.
Sin embargo como se ha venido mencionado, este proceso es propenso a errores, y es por esto que
la rama investigativa de las ciencias e ingeniería han desarrollado diferentes algoritmos para
optimizar procesos.
Dentro del campo de la salud, realizar análisis de la muestra de sangre es necesario para
diagnosticar diferentes enfermedades (Lima et al., 2015), en el grupo de las células sanguíneas, los
glóbulos rojos son uno de los componentes principales de la sangre (Dean, 2005), por tanto, diseñar
sistemas automáticos para clasificarlos implican recurrir a técnicas que extraigan, procesen y
entreguen un conjunto de clases basadas en aprendizaje y predicciones. Este es el caso de técnicas
como Boosting o redes neuronales (Parab & Mehendale, 2020; Thorat & Uike, 2020), entre otras,
que dan origen a sistemas completamente entrenados para clasificar objetos. Para que el
entrenamiento de dichas técnicas sea posible, se cumplen una serie de pasos que se ven de manera
reiterativa sin importar qué tipo de técnica de aprendizaje se utilice (Adollah et al., 2008; Albertini
et al., 2003; Benazzouz et al., 2013; Çınar & Tuncer, 2021; Delgado et al., 2020; Deshpande &
Gite, 2021; Mazalan et al., 2014; Mejía & Alzate, 2015; S. Poon et al., 1992; Shirazi et al., 2015;
Theera-umpon, 2005; Thorat & Uike, 2020). En los documentos estudiados, sobre clasificación de
células a partir de imágenes, se describe un desarrollo dado en cinco fases (Aliyu et al., 2018;
Almezhghwi & Serte, 2020; Bergen et al., 2008; Jiang et al., 2018; Parab & Mehendale, 2020), en
primer lugar se crea un banco de imágenes, también llamado base de datos, que contiene diferentes
imágenes captadas desde un microscopio y a partir de las cuales se trabajará, seguidamente, se
realiza un procesamiento previo, donde se prepararan las imágenes de acuerdo al estándar del
sistema propuesto, posteriormente, se realiza la segmentación en la que se emplean recursos
basados en procesamiento de regiones y métodos morfológicos, a continuación se extraen
características como la forma, el color, el tamaño, entre otras y, finalmente, una vez se cuente con
los datos necesarios para distinguir entre clases se procede a entrenar el sistema y evaluar su
desempeño.
Teniendo en cuenta lo mencionado, resulta favorable incluir las cinco fases dentro de la
metodología propuesta para el desarrollo del proyecto, ya que al ser un procedimiento común en
diferentes trabajos en los que se realiza reconocimiento y clasificación, se presta para ser
modificado y adaptado a las necesidades que se han planteado dentro de los objetivos del proyecto.
En la Tabla 5 se presenta una comparación entre 6 artículos, haciendo énfasis en los aportes
y desventajas de cada uno a la segmentación o clasificación celular.

Capítulo 2 43
Tabla 5
Aportes y Desventajas de Artículos Científicos
Nombre del trabajo Año Aportes Desventajas
Automated Analysis of 2003 Debido a los elementos La desventaja de este proyecto,

Morphometric Parameters for empleados para adquirir y parte de los costos elevados para la
Accurate Definition of procesar las imágenes, se adquisición del software empleado
Erythrocyte Cell Shape obtienen valores reales de la en la segmentación,
morfología de las células, por lo adicionalmente el difícil acceso al
(Análisis automatizado de tanto, el clasificador diseñado microscopio y cámaras utilizadas,
parámetros morfométricos para opera en escala real con valores representan una limitación al
una definición precisa de la exactos. momento de recrear el
forma de las células de los procedimiento.
eritrocitos)
Blood Cell Image Segmentation: 2008 En el esquema propuesto, se La desventaja de este método es la
A Review realiza un énfasis importante en dificultad para predeterminar el
la técnica empleada para número de clúster, adicionalmente
(Segmentación de imágenes de segmentar a los glóbulos se menciona que la parte más
células sanguíneas: una blancos, se destaca que deben difícil es lograr una correcta
revisión) dividirse en dos componentes, el segmentación de los glóbulos
núcleo y el citoplasma. El aporte blancos, pues en el trabajo existe
de este trabajo es la aplicación una incertidumbre considerable en
del filtrado de espacio de escala las imágenes microscópicas.
y agrupamiento de cuencas
hidrográficas, para extraer las
regiones de interés. La ventaja es
que separan los componentes de
dichas células para evitar la
variedad y complejidad en la
clasificación.
Microscopic Image 2012 La segmentación de la imagen Las imágenes originales contienen

Segmentation Based on Pixel se realiza a eritrocitos maduros e glóbulos rojos con un área clara en
Classification and inmaduros, por tanto se extraen el centro, esto hizo que la SVM
Dimensionality Reduction cuatro tipos de regiones: núcleo, detectara el centro de los glóbulos
citoplasma, eritrocitos y fondo. rojos como fondo.
(Segmentación de imágenes La segmentación se realiza Se necesita un posprocesamiento
microscópicas basada en píxeles considerando los diferentes para mejorar la calidad de la
Clasificación y Reducción de espacios de color para tener una segmentación.
Dimensionalidad) segmentación bastante cercana a
la verdad básica, para eliminar la
redundancia, y especialmente
para reducir el tiempo que
implica la segmentación.
Automated red blood cells 2014 Se realiza el tratamiento de la Para determinar la distancia entre
counting in peripheral blood imagen, a fin de segmentar las cada célula, es necesario encontrar
smear image using circular células y determinar las el radio. La desventaja
hough transform. características cualitativas que mencionada en el artículo hace
permitan determinar la referencia a la detección de células
(Recuento automatizado de morfología de la célula, calcular con radio conocido y radio
glóbulos rojos en una imagen de la distancia existente ente cada desconocido. Se menciona que la
frotis de sangre periférica una y de esa manera realizar el detección de círculos con radio
mediante la transformada proceso de recuento de glóbulos conocido es un proceso sencillo,
circular de Hough) rojos. sin embargo para la detección de
círculos con radio desconocido, el
proceso es bastante desafiante,
porque se emplean tres
dimensiones para buscar espacio y
se cometen múltiples errores.
A Deep Learning Approach for 2020 En este trabajo, se diseñaron, El proceso aborda específicamente
Segmentation of Red Blood Cell entrenaron, validaron y probaron la detección de la malaria, al
Images and Malaria Detection dos NN diferentes: una Red tratarse de una enfermedad
neuronal de segmentación infecciosa, la desventaja que existe
Capítulo 2 45
(Un enfoque de aprendizaje (SNN) para la segmentación de en el trabajo, corresponde al

profundo para la segmentación imágenes y una red neuronal tiempo que requiere encontrar las
de la red convolucional (CNN) para la imágenes de células infectadas
Imágenes de células sanguíneas clasificación de imágenes. El con dicha enfermedad.
y detección de malaria) primero, tenía el objetivo de Adicionalmente se menciona, que
segmentar los frotis de sangre y el éxito de la clasificación depende
el segundo, clasificar los de las habilidades de un patólogo,
eritrocitos individuales con lo que implica que los proveedores
respecto a si son parásitos. de atención médica puedan tener
dificultades para diagnosticar la
malaria en lugares donde no es
endémica.
A review of microscopic 2021 Se aplican diferentes técnicas de Al abordad en su totalidad los

analysis of blood cells for procesamiento para lograr componentes sanguíneos, la
disease detection with AI realizar la separación de los desventaja mencionada en el
perspective. diferentes componentes de la trabajo, es la dificultad para lograr
sangre, que incluyen a los la segmentación de las células
(Una revisión del análisis glóbulos rojos, glóbulos blancos, superpuestas en el frotis de
microscópico de células plasma y plaquetas. sangre.
sanguíneas para la detección de Para lograr una segmentación Adicionalmente el tiempo
enfermedades con perspectiva exitosa, se generaliza las empleado para realizar la
de IA.) características de los segmentación es mayor, pues se
componentes sanguíneos, y se aplica de manera personalizada
realiza la segmentación. técnicas para cada clase y
Este proceso separa la región de subclase.
interés para su posterior
clasificación, cada componente
(glóbulos rojos, glóbulos
blancos, plasma y plaquetas) es
clasificado en sus respectivas
subclases.
3. CAPÍTULO 3
La identificación y clasificación de los eritrocitos es la base para el entrenamiento del
sistema, a partir del análisis de muestras de frotis de sangre, se inició la creación del banco de
imágenes, que fue construido con base a ilustraciones disponibles en el banco de casos clínicos de
la Sociedad Americana de Hematología (ASH, 1958) y por las recolectadas en el laboratorio de
patología clínica, ubicado en la clínica “La Estancia”, en la ciudad de Popayán. Se recolecto un
total de 100 imágenes de frotis de sangre periférica.
Con la finalidad de evitar subjetividad y errores en la creación del banco de imágenes
clasificado, el proceso fue supervisado por los profesionales Especialistas en Hematología, Doctor
Julián Augusto Córdoba Espinosa y por la Doctora Alba Rocío Medina.
Como parte de la fase mencionada, las muestras de sangre periférica recolectadas en la
clínica “La Estancia”, fueron tratadas con la coloración de Wright y Buffer; la observación de los
eritrocitos se realizó con un lente objetivo de 40X y la posterior captura de la imagen se realizó con
un lente objetivo de 100X, utilizando un microscopio Leica ICC50 W.
En el desarrollo del proyecto se utilizó el método SEMMA (Sample, Explore, Modify,
Model, Assess) (Hernández & Dueñas, 2009) conformado por cinco fases, cuyo objetivo es la
implementación de aplicaciones de minería de datos. Las fases del método fueron adaptadas al
proyecto de la siguiente manera:

Capítulo 2 47
3.1 Metodología
3.1.1 Fase 1. Muestreo
Dado que, en esta etapa se realiza la extracción de una muestra de los datos que permiten
representar características comunes para posteriormente comenzar el análisis de los mismos, se
procedió a aplicar técnicas de procesamiento digital de imágenes, para normalizar las dimensiones
(filas, columnas) de las láminas, para realizar la identificación de características y posterior
extracción de las mismas bajo idénticas condiciones, las imágenes fueron normalizadas en un
tamaño de 1600 pixeles de ancho por 1200 pixeles de alto (1200x1600), bajo la clase uint8. Se
establece dichas dimensiones ya que este tamaño (1200x1600) es establecido por el microscopio
Leica ICC50 W para las imágenes capturadas con el lente objetivo de 100X.
Se tomó una a una las imágenes y se aplicó técnicas, de modo secuencial como, la
conversión a grises, filtrado tipo mediana, binarización utilizando el método de Otsu, operaciones
morfológicas para eliminar estructuras pequeñas y elementos incompletos de los bordes y la
partición de la imagen para separar estructuras conectadas, todo esto para lograr la segmentación,
a fin de diferenciar las células del fondo y lograr delimitar el borde de cada eritrocito sin perder la
información original; estos procesos, con el propósito de extraer características como el perímetro,
área, diámetro, circularidad, centralidad, solidez y color (relacionado con la concavidad), que
permiten diferenciar morfológicamente a los eritrocitos. El proceso antedicho se indica en el
Algoritmo 1 y Algoritmo 2.
Algoritmo 1. Procesamiento de la imagen
1: procedimiento Procesamiento de la imagen
2: entrada Imágenes de frotis de sangre
3: salida Imagen procesada
4: Inicio
5: Acceder A la carpeta que contiene las imágenes
6: Seleccionar la imagen para analizar
7: Leer imagen_seleccionada;
8: Aplicar redimensionamiento (imagen_seleccionada);
9: Guardar imagen_seleccionada;
10: Aplicar conversión a grises (imagen_seleccionada)
11: Aplicar filtro mediana (imagen_seleccionada)
12: Determinar Umbral de imagen global (imagen_seleccionada)
13: Aplicar binarización por Otsu (imagen_seleccionada)
14: Aplicar negación para invertir binarización (imagen_seleccionada)
15: Variable imagen_seleccionada, imagen_seleccionada_1
16: Aplicar ope. morfológica para eliminar estructuras del borde (imagen_seleccionada)
17: Aplicar ope. morfológica para eliminar estructuras del borde (imagen_seleccionada_1)
18: Aplicar ope. morfológica para rellenar huecos (imagen_seleccionada)
19: Aplicar ope. morfológica para eliminar objetos pequeños (imagen_seleccionada)
20: Aplicar ope. morfológica para eliminar las estructuras de luz conectadas (imagen_seleccionada)
21: Aplicar partición de la imagen (imagen_seleccionada)
22: Guardar Imagen transformada
23: Fin
Capítulo 2 49
Algoritmo 2. Segmentación de la imagen
1: procedimiento Segmentación de la imagen
2: entrada Imagen transformada
3: salida Imagen segmentada
4: Inicio
5: Aplicar regionprops (Imagen transformada)
6: Asignar Centro = st.Centroid;
7: Asignar Perímetro = st.Perimeter;
8: Asignar Área = st.Area;
9: Asignar Solidez = st.Solidity;
10: Asignar Circularidad = st.Circularity;
11: Asignar BB = st.BoundingBox;
12: Asignar Diámetro = ([st.MajorAxisLength st.MinorAxisLength],2);
13: Etiquetas y Enumerar los Boundingbox generales
14: // Segmentación para el zona central
15: Aplicar regionprops (Imagen transformada)
16: Asignar Centro_ p = centros.Centroid;
17: Asignar Área_ p = centros.Area;
18: Asignar Circularidad_ p = centros.Circularity;
19: Asignar BB_ p = centros.BoundingBox;
16: // Determinar el color
17: Identificar centroide de cada célula total y de cada centro
18: Relacionar célula total con centro correspondiente
19: Etiquetar el centro asignado a la célula
20: Dividir área de centro grande / área de centro pequeño

(Continuación)
21: Condicionar Si el centro grande coincide con las coordenadas del centro pequeño se aplica la
22: división, de lo contrario se asigna un uno.
23: // Si hay relación es normocrómico o hipocrómico, si no hay relación es hipercrómico
24: Fin
En la Figura 13 se ilustra el proceso antedicho.
Figura 13
Fase de Muestreo
Procesos similares son utilizados en (Alzate, 2016; Mejía & Alzate, 2015; Naugler et al.,
2014; Olachea, 2012; S. Poon et al., 1992), para la clasificación de glóbulos blancos, plaquetas y
glóbulos rojos. Estos trabajos ofrecen una descripción de la secuencia de procesos realizados a nivel
de procesamiento y análisis de imágenes de frotis de sangre periférica, en los cuales se menciona

Capítulo 2 51
segmentación, extracción y selección de características, para clasificar las células a partir de
aspectos morfológicos.
3.1.2 Fase 2. Exploración
La exploración de datos permitió realizar un seguimiento a los mismos para lograr detectar,
identificar y, posteriormente, eliminar datos que no corresponden a eritrocitos, es decir datos
pertenecientes a elementos como plaquetas, leucocitos u otros, que no son objeto de interés en el
trabajo. Para que esto fuese posible, se consideró las variables de mayor relevancia para determinar
si se trataba de un eritrocito. De las imágenes analizadas se extrajeron las siguientes características:
 Características geométricas
Se empleó la función regionprops (función disponible en Matlab para medir las propiedades
de las regiones de la imagen) y la propiedad BoundingBox, para extraer las características de
diámetro, área total, área de palidez central, perímetro, circularidad, concavidad y solidez, de cada
una de las células segmentadas (ver Figura 20).
 Características de intensidad (color)
Partiendo de la relación establecida a nivel médico para determinar el color normal de un
eritrocito (Palidez central = 1/3 del total de la célula), y empleando la definición de concavidad
que refiere dicha relación, se empleó las características geométricas extraídas de área central
(palidez central) y de área total, para determinar el color de cada eritrocito. En la Figura 14, se
expone lo mencionado.
Figura 14
Características de Color de los Eritrocitos
De las 100 imágenes tomadas, se lograron extraer 7.776 células, de las cuales 6.540
corresponden a células normales y las 1.236 restantes corresponden a 11 tipos de células anormales.
Para obtener mejores resultados, se descartan los tipos de células que no representan una
cantidad significativa para el entrenamiento, por otra parte, se consideran aquellas clases en las que
las células pueden seleccionarse en mayor proporción. Finalmente, la base de datos está conformada
por 600 células, en las que se encuentran de forma equitativa 6 clases de eritrocitos.
3.1.3 Fase 3. Modificación
En esta fase se consideró que los eritrocitos son estructuras solidas bicóncavas, al realizar
la binarización de la imagen, aquellas estructuras pertenecientes a la palidez central de la célula se
convertían en agujeros que tras aplicar la operación morfológica de cierre de agujeros en la imagen,
transformaban a la célula en una estructura plana, es por esto que fue necesario trabajar
Capítulo 2 53
simultáneamente con la imagen binarizada aplicando cierre de agujeros para calcular el área total,
y con la imagen binarizada antes del cierre morfológico para determinar la palidez central de cada
célula. Este proceso se ilustra en la Figura 15.
Figura 15
Modificación Realizada a la Imagen Binarizada
3.1.4 Fase 4. Modelado
A partir de los datos obtenidos para la clasificación, se creó y entrenó de manera
supervisada, una red neuronal de aprendizaje profundo basada en red de trenes con características
numéricas, haciendo uso de comandos y funciones disponibles en Matlab para Deep Learning.
La estructura de esta red se seleccionó porque es sencilla de comprender y los comandos
empleados pueden modificarse y adaptarse a diferentes tipos de elementos de entrada (imágenes,
códigos, tabla de datos, entre otros), adicionalmente la estructura de la red permite utilizar una
colección de datos numéricos que no requieren contar con dimensiones espaciales o temporales, lo
que se considera muy importante pues, los datos empleados en el entrenamiento contienen varios
tipos de información, como texto y valores numéricos.
La arquitectura de la red cuenta con una estructura en la que se definió como capa de
entrada, el número y las características de las clases, adicionalmente se configuro la capa de entrada
para normalizar los datos mediante la normalización de puntuación Z, posteriormente se incluyó
una capa totalmente conectada con un tamaño de salida de 50, seguidamente se establece una capa
de normalización por lotes y una capa ReLU.
Finalmente para la clasificación, se especificó una capa totalmente conectada con un tamaño
de salida correspondiente al número de clases (6 clases), seguida de una capa Softmax y una capa
de clasificación. En el Algoritmo 3 se presenta la estructura de la red neuronal.
Algoritmo 3. Estructura de la red neuronal
1: Procedimiento Entrenamiento de la red neuronal
2: Entrada Clases para entrenamiento
3: Salida Resultado de la clasificación
4: Inicio
5: Cargar tabla de datos. CVS
6: Convertir datos a categóricos
7: Asignar porcentaje de datos para el entrenamiento
8: Asignar porcentaje de datos para la validación

Capítulo 2 55
(Continuación)
9: Asignar porcentaje de datos para la prueba
10: Definir arquitectura de la red
11: Definir número y característica de las clases
12: Normalizar datos mediante puntuación Z
13: Definir tamaño de salida de capa conectada
14: Normalizar información por lotes
15: Establecer capa ReLU
16: Definir tamaño de capa conectada // Tamaño del num. de clases
17: Establecer capa Softmax
18: Establecer capa de clasificación
19: Realizar entrenamiento de la red
20: Obtener valor de predicción
21: Obtener valor de prueba
22: Obtener la precisión del entrenamiento
23: Fin
Se empleó un total de 600 células, a partir de las cuales se formó un conjunto de datos
presentados como características numéricas, con las que entrenó y valido la red, que utiliza como
capa de entrada, las características del diámetro, el área, el perímetro, la solidez, la circularidad y
la concavidad, para predecir a la salida, las clases pertenecientes a un tipo de célula normal y a
cinco tipos de células anormales. En la Figura 16 se presenta la estructura del sistema planteado.
Figura 16
Estructura del Sistema Modelado
Fuente: Ilustración adaptada de (Mejía & Alzate, 2015).
3.1.5 Fase 5. Evaluación
La red neuronal basada en Deep Learning fue evaluada mediante una matriz de confusión
y gráfica de curva ROC.
3.2 Limitaciones
 La mayor limitación para el desarrollo del trabajo se sustenta en la disponibilidad de tiempo
por parte del personal externo a la Universidad, debido a que, durante diferentes fases del
proyecto se prolongó el tiempo asignado para determinadas actividades, pues la carga
laborar de cada uno de los profesionales limita el tiempo que puede dedicar a otros
compromisos.
Capítulo 2 57
 Durante la creación del banco de imágenes se logró recolectar 213 imágenes de Frotis de
sangre periférica, debido a la disponibilidad de tiempo del personal de hematología,
únicamente fue posible clasificar profesionalmente 100 imágenes, a partir de las cuales se
entrenó la red.
4. CAPÍTULO 4
4.1 Resultados
Debido a la disponibilidad de tiempo del personal de laboratorio, el proceso de recolección
de láminas de frotis de sangre se retardo, razón por la cual se recurrió al banco de casos
clínicos de la Sociedad Americana de Hematología (ASH, 1958) para obtener imágenes.
Gracias a esta acción, se logró crear un banco de imágenes con 213 láminas de frotis
de sangre periférica, sin embargo, debido a la disponibilidad de tiempo de los médicos
Hematólogos, se acordó realizar únicamente la clasificación de 100 láminas, debido a que,
manifestaron que es un proceso extenuante y demorado. Pese al compromiso que habían
adquirido los profesionales para realizar el acompañamiento en el proceso de clasificación,
la actividad no fue seguida por todos, es por esto que la categorización de las células solo
fue realizada en su totalidad por uno de los médicos, dando lugar a un solo punto de vista.
El profesional de hematología sugirió que en varias laminas procesos realizados en
laboratorio al momento de tratar la muestra, ocasionaron una superposición innecesaria de
las células, es decir, se formaron células superpuestas que no pertenecen a un tipo anormal
de eritrocitos, provocando que, al momento de segmentarlas se emplearan técnicas
especiales para poder llevar a cabo la separación de las mismas.

Capítulo 4 60
Para dar inicio a la segmentación, se tomaron las 100 láminas de frotis, y se
redimensionaron para obtener los parámetros morfológicos bajo las mismas dimensiones.
Una vez realizado este proceso, se empleó técnicas de procesamiento de imágenes para
segmentar la mayor cantidad de células presentes en las láminas, cabe resaltar que durante
la parte de segmentación, el proceso de separación de las células resulto dificultoso, pues,
fue necesario emplear varias técnicas para evitar perder células que podían contener
información importante. Al finalizar el proceso, se obtuvo un total de 7.776 células que se
entregaron al Hematólogo para que realizara el acompañamiento en la clasificación. Una
vez finalizada la categorización, se obtuvieron 6.540 células normales y 1.236 células
anormales divididas en 11 clases.
Tras organizar la información se observó que existe una desigualdad en la cantidad
de células pertenecientes a cada grupo, lo que podría afectar el desempeño del clasificador,
es por esto que, de las 7.776 células se seleccionó 6 clases y para cada una de las clases se
tomó 100 células, formando así una base de datos de 600 células. Las clases seleccionadas
incluyeron un único tipo de célula normal y cinco tipos de células anormales (Ovalocitos,
Equinocitos, Esquistocitos, Estomatocitos y Rollos).
Para cada una de las 600 células, se midió las propiedades de la región de la imagen
utilizando la herramienta regionprops, esta herramienta permitió encontrar de forma sencilla
el área, el perímetro, el diámetro, el radio, la circularidad, la solidez de las células, sin
embargo, el parámetro del color requirió más tiempo para encontrarlo; se analizaron técnicas
como la dimensión box-counting, la relación del casco convexo y el casco interno, el análisis
Capítulo 4 61
de fuentes de luz en estructuras 3D, el análisis del histograma, entre otras, siendo la relación
del casco convexo y el casco interno la más adecuada para aplicar la definición
correspondiente al color en los eritrocitos. Una vez obtenidos los parámetros, se diseñó una
tabla con las características de entrada y las clases deseadas para poder entrenar la red.
En la Tabla 6 se presenta la estructura de la base de datos ingresados a la red, en la
tabla que se presenta a continuación, únicamente se exhiben 4 filas de cada clase.
Tabla 6
Estructura de la Tabla de Datos Empelada en el Entrenamiento
Área Perimetro Diámetro Solidez Circularidad Concavidad Tipo
8073 322.738 102.229 0.98 0.97 8.444 normal

7058 302.433 95.325 0.98 0.96 9.655 normal
7247 301.036 96.278 0.98 1.004 8.515 normal
7901 314.301 100.434 0.98 1.005 8.103 normal
13244 459.46 140.392 0.96 0.78 1 rollo
12694 438.646 133.93 0.94 0.82 1 rollo
10920 410.302 120.563 0.93 0.81 1 rollo
10255 411.736 123.302 0.94 0.76 1 rollo
14486 460.865 136.718 0.95 0.85 3.437 equinocito
15043 530.288 140.089 0.88 0.67 4.546 equinocito
18526 550.492 154.922 0.92 0.76 3.044 equinocito
15106 477.546 139.379 0.93 0.83 10.057 equinocito
2487 189.578 57.425 0.94 0.86 1 esquistocito
4392 335.498 84.602 0.75 0.49 1 esquistocito
4309 303.327 82.932 0.91 0.58 1 esquistocito
2476 178.628 57.046 0.98 0.97 1 Esquistocito
Capítulo 4 62
Área Perimetro Diámetro Solidez Circularidad Concavidad Tipo
14362 434.071 135.673 0.98 0.95 8.15 estomatocito

15870 462.158 142.761 0.97 0.93 4.39 estomatocito
19247 497.933 156.89 0.98 0.97 5.1 estomatocito
17448 480.376 149.147 0.98 0.98 9.66 estomatocito
5001 299.206 91.042 0.97 0.7 1 ovalocito
5754 299.515 92.594 0.97 0.8 1 ovalocito
4439 261.936 81.455 0.97 0.81 1 ovalocito
4214 235.51 74.785 0.98 0.95 1 ovalocito
Para el entrenamiento de la red neuronal se distribuyeron las 600 células de la
siguiente manera; para la fase de entrenamiento se emplearon 420 células, para la etapa de
validación 60 células y en la etapa de evaluación 120 células.
Se obtuvo un porcentaje de precisión de validación del 83.3% y un porcentaje de
precisión de 75.8%, posteriormente se genera la matriz de confusión (ver Fig.17.), en la que
se observa, que de los 120 eritrocitos empleados en la etapa de evaluación, 91 fueron
clasificados de manera acertada.
Para analizar los factores que influyen en el porcentaje obtenido, se estudia la
clasificación realizada por el médico hematólogo y los valores numéricos obtenidos en la
extracción de características; a partir de esto se observa que, grupos celulares como los
Equinocitos, Estomatocitos, Ovalocitos y Rollos, presentan características, que a nivel
numérico, se encuentran en los mismos rangos paramétricos, por ejemplo, la clasificación
realizada por el médico, sugiere que los Equinocitos segmentados, son células macrocíticas,
Capítulo 4 63
que a nivel matemático, en lo que corresponde al área y al perímetro de las células (relación
que representa el tamaño), toman valores dentro del rango en el que se encuentra el tamaño
de los Rollos, razón por la cual, se asume que algunos de ellos son clasificados de manera
errónea, otro ejemplo, son los Ovalocitos, las células seleccionadas fueron clasificadas por
el médico como normales en tamaño y en color, pero anormales en forma, al observar esta
clasificación a nivel numérico, el tamaño de estas células se encuentran en el mismo rango
de tamaño que una célula normal, por tanto, algunos son clasificados de forma incorrecta.
Figura 17
Resultado del Entrenamiento de la Red

Capítulo 4 64
A partir de la ilustración, se elabora una Matriz de confusión para clasificación de
clases múltiples, a través de los valores Verdadero Positivo, Verdadero Negativo, Falso
positivo, Falso negativo, para cada clase.
Para evaluar el modelo de aprendizaje automático, se emplearon medidas de
valoración para la matriz de confusión, entre ellas, la precisión, la tasa de clasificación
errónea, la tasa de positivos verdaderos, la especificidad y el puntaje f1 (Nurçin & Imanov,
2021), elementos necesarios para graficar la curva ROC (Mohajon, 2020). En la tabla 7 se
presenta los valores Verdadero Positivo, Verdadero Negativo, Falso positivo, Falso
negativo, para cada clase.
Tabla 7
Elementos de la Matriz de Confusión para Cada Clase
Tipo de Eritrocito Elementos de la matriz de Métricas

confusión
Verdadero positivo: 12 Precisión: 90%
Equinocito Verdadero Negativo: 96 Tasa de clasificación errónea: 10%
Falso Positivo: 3 Tasa de Positivos Verdad.: 57.1%
Falso Negativo: 9 Especificidad: 96.9%
Puntaje F1: 66.6%
Verdadero positivo: 17 Precisión: 92.5%
Verdadero Negativo: 94 Tasa de clasificación errónea: 7.5%
Esquistocito Falso Positivo: 4 Tasa de Positivos Verdad.: 77.2%

Capítulo 4 65
Puntaje F1: 79%
Verdadero Negativo: Tasa de clasificación errón.: 4.1%
Estomatocito 100 Tasa de Positivos Verdad.: 78.9%
Falso Positivo: 1 Especificidad: 99%
Falso Negativo: 4 Puntaje F1: 85.7%
Tipo de Eritrocito Elementos de la matriz de Métricas

confusión
Normal Verdadero Negativo: 95 Tasa de clasificación errónea: 10%
Falso Positivo: 12 Tasa de Positivos Verdaderos: 100%
Puntaje F1: 68.4%
Ovalocito Verdadero Negativo: 98 Tasa de clasificación errón.: 6.6%
Falso Positivo: 2 Tasa de Positivos Verdaderos: 70%
Falso Negativo: 6 Especificidad: 98%
Puntaje F1: 77.7%
Verdadero Negativo: 88 Tasa de clasificación errónea:10%
Rollo Falso Positivo: 7 Tasa de Positivos Verdaderos: 80%
Puntaje F1: 76.9%

Capítulo 4 66
Dado que se desarrolló un clasificador multiclase, la curva ROC presentada en la
figura 18, muestra la dispersión de puntos de cada clase en relación al clasificador Random
Guess.
Figura 18
Curva ROC
Si se analiza la dispersión de los puntos en relación al clasificador Random Guess,
se observa que la dispersión se encuentra en la zona considerada como buena para un
clasificador, dicha observación se ve soportada en los porcentajes obtenidos en la precisión
con la que el clasificador asignó la clase a cada tipo de célula. Finalmente, el porcentaje de
Capítulo 4 67
precisión obtenido en el presente trabajo fue de 83.3%, en comparación con los resultados
de clasificación reportados bajo la misma temática, sugieren que se obtuvo un buen
porcentaje de precisión, por ejemplo, se puede citar el caso de (Piuri & Scotti, 2004) donde
se clasificaron leucocitos en diferentes clases y se obtuvo una precisión del 82%, el caso de
(Tomari et al., 2014), donde se clasificaron diferentes tipos de células sanguíneas y se obtuvo
un porcentaje de precisión de 70.6%, en (Mejía & Alzate, 2015) clasificaron diferentes tipos
de eritrocitos y la precisión que se obtuvo fue de 97.3% , finalmente, en (Parab &
Mehendale, 2020) la precisión obtenida fue de 98.5%. Se resalta que en los trabajos citados
y en los previamente mencionados, la estructura de las redes neuronales entrenadas varían
la forma de extraer las imágenes desde laboratorio, las técnicas de segmentación, la cantidad
de clases seleccionadas, la cantidad de células empleadas y las características que se extraen
son diferentes, por lo cual se considera que son factores que afectan el entrenamiento y
resultado final de la red. En la tabla 8 se presenta los porcentajes obtenidos en los trabajos
mencionados.
Tabla 8
Tabla comparativa
Título del trabajo Año de publicación Descripción de trabajo Porcentaje de

precisión obtenido
Clasificación morfológica 2004 Este artículo presenta una 82 %

de los leucocitos metodología para lograr
una detección y
Capítulo 4 68
sanguíneos por imágenes clasificación automatizada

microscópicas de leucocitos mediante
imágenes microscópicas a
color. El sistema propuesto
primero individualiza en la
imagen de la sangre los
leucocitos de las demás
células sanguíneas, luego
extrae índices morfológicos
y finalmente clasifica los
leucocitos en Basófilo,
Eosinófilo, Linfocito,
Monocito y Neutrófilo.

precisión obtenido
Sistema asistido por 2014 En este artículo se propone 70.6%

computadora para la un sistema asistido por
clasificación de glóbulos computadora para
rojos en imagen de frotis de automatizar el proceso de
sangre detección e identificación
de glóbulos rojos a partir de
imágenes de frotis de
sangre. Se extrae la
información de los glóbulos
rojos en función de sus
propiedades geométricas,
para clasificarlos como
normales/anormales
mediante el clasificador de
red neuronal artificial
(ANN).
2015 En este artículo se propone 97.3%

la clasificación de múltiples
Capítulo 4 69
Clasificación automática clases de eritrocitos y la

de formas patológicas de propuesta de una medida de
eritrocitos humanos palidez central altamente
discriminante.

precisión obtenido
Clasificación de glóbulos 2020 El método propuesto ha 98.5%

rojos usando implicado el uso de
procesamiento de imágenes procesamiento de imágenes
y CNN para clasificar los glóbulos
rojos con la ayuda de una
red neuronal convolucional
(CNN). El algoritmo puede
extraer la característica de
cada imagen de celda
segmentada y clasificarla
en varios tipos como
microcitos, eliptocitos,
estomatocitos, macrocitos,
glóbulos rojos en forma de
lágrima, codocitos,
esferocitos, glóbulos rojos
de células falciformes y
glóbulos rojos de Howell
Jolly.
Capítulo 4 70
4.2 Conclusiones
 Se considera que las técnicas de procesamiento de imágenes que se

emplearon fueron acertadas para lograr realizar la segmentación, pues se
extrajo la mayor cantidad de células posibles y se evitó la perdida de
información, esto se ve reflejado en la cantidad de células obtenidas (7.776
eritrocitos).
 Se considera que podría mejorarse la técnica para determinar el color pues el

punto de luz que se busca para clasificarlas no siempre está presente, lo cual
podría representar un valor erróneo en el parámetro de concavidad y por
tanto sugerir la presencia de una célula anómala.
 Para el proceso de clasificación se contaba inicialmente con 3 profesionales

en Hematología, a pesar de haber adquirido un compromiso para acompañar
el proceso de categorización, finalmente la actividad solo fue realizada por
uno de ellos.
 Se observa que el porcentaje de la tasa de clasificación errónea es baja para

los 6 tipos de eritrocitos, esto debido a que el clasificador fue capaz de
distinguir y aprender la información que se ingresó, la cual fue clasificada
previamente por el hematólogo, lo cual nos permite inferir que el sistema
distingue las diferencias morfológicas entre las células y las agrupa de igual
manera que lo realizo el profesional.
 Se considera que la exactitud de validación alcanzada por el clasificador

(83.3%), se encuentra dentro de un rango aceptable, en comparación a los
porcentajes de precisión obtenidos en la literatura (70.06% - 98.5%),
adicionalmente, en la matriz de confusión de cada una de las clases, se
observa que el porcentaje de precisión obtenido es superior al 80%, sin
Capítulo 4 71
embargo, no logra el 100%, se asume que este suceso se debe a la existencia

de células con características morfológicas similares o idénticas que a nivel
computacional no logran marcar diferencia y son clasificados erróneamente,
en ejemplo particular el tamaño.
 Según el criterio de los especialistas se requiere prestar especial cuidado a

las técnicas de preparación del frotis, ya que pueden afectar la morfología
celular, de lo cual se evidencia dificultad al momento de aplicar técnicas de
procesamiento imágenes, ya que se encuentran células superpuestas que
requieren de técnicas más avanzadas para su distinción.
 Se plantea de forma viable, que al aumentar la cantidad de células de cada

clase se encuentren características significativas que permitan corregir los
parámetros que son similares, y de esta forma marcar una diferencia
estadística que aumente la precisión del clasificador.
4.3 Recomendaciones
 Recomendaciones desde el punto de vista metodológico: Se sugiere buscar la
opinión de más de un médico Hematólogo, para poder crear una clasificación médica
más acertada de los tipos de células con las que se va a entrenar el clasificador,
adicionalmente, se sugiere incluir otros tipos de eritrocitos anormales, para crear un
banco de células más extenso y con mayor información, de esa manera, con la
información acertada se puede elaborar el software que sirva como soporte en los
laboratorios clínicos. Finalmente, se sugiere incluir otras células sanguíneas como
los leucocitos, para enriquecer la base de datos y de esa manera aportar en la línea
de E-salud.
Capítulo 4 72
 Recomendaciones prácticas: En la recolección de imágenes de sangre periférica,
se sugiere aplicar correctamente las técnicas de preparación de frotis para evitar
modificar la morfología celular y de esta manera evitar obtener características
morfológicas erróneas.
5. ANEXOS
Anexo A. Banco de Imágenes.
Anexo B. Tabla para clasificación morfológica para el médico Hematólogo.
Anexo C. Tabla de células seleccionadas para la base de datos.
Anexo D. Código de segmentación celular.
Anexo E. Código de entrenamiento de la red neuronal.

6. BIBLIOGRAFÍA
Abdollahi, A., Saffar, H., & Saffar, H. (2014). Types and frequency of errors during different phases of testing
at a clinical medical laboratory of a teaching hospital in Tehran, Iran. North American Journal of Medical
Sciences, 6(5), 224–228. https://doi.org/10.4103/1947-2714.132941
Acharya, V., & Kumar, P. (2017). Identification and red blood cell classification using computer aided system
to diagnose blood disorders. 2017 International Conference on Advances in Computing,
Communications and Informatics, ICACCI 2017, 2017-Janua, 2098–2104.
https://doi.org/10.1109/ICACCI.2017.8126155
Adewoyin, A. S., & Nwogoh, B. (2014). Peripheral blood film: A review. In Annals of Ibadan postgraduate
medicine (Vol. 12, Issue 2, pp. 71–79).
http://www.ncbi.nlm.nih.gov/pubmed/25960697%0Ahttp://www.pubmedcentral.nih.gov/articlerender.f
cgi?artid=PMC4415389
Adollah, R., Mashor, M. Y., Nasir, N. F. M., Rosline, H., Mahsin, H., & Adilah, H. (2008). Blood cell image
segmentation : A review (pp. 141–144).
Albertini, M. C., Teodori, L., Piatti, E., Piacentini, M. P., Accorsi, A., & Rocchi, M. B. L. (2003). Automated
analysis of morphometric parameters for accurate definition of erythrocyte cell shape. Cytometry Part
A, 52(1), 12–18. https://doi.org/10.1002/cyto.a.10019
Aliyu, H. A., Sudirman, R., Abdul Razak, M. A., & Abd Wahab, M. A. (2018). Red blood cell classification:
Deep learning architecture versus support vector machine. 2nd International Conference on BioSignal
Analysis, Processing and Systems, ICBAPS 2018, February 2019, 142–147.
https://doi.org/10.1109/ICBAPS.2018.8527398
Almezhghwi, K., & Serte, S. (2020). Improved classification of white blood cells with the generative
adversarial network and Deep convolutional neural network. Computational Intelligence and
Neuroscience, 2020. https://doi.org/10.1155/2020/6490479
Alzate, M. (2016). rojos en frotis de sangre periférica Automatic classification of red cells in peripheral blood
smears. 48(3), 311–319.
Arquitectura, E. Y., Introducci, T. I., 赫晓霞, Iv, T., Teatinas, L. A. S., Conclusiones, T. V. I. I.,
Contemporáneo, P. D. E. U. S. O., Evaluaci, T. V, Ai, F., Jakubiec, J. A., Weeks, D. P. C. C. L. E. Y. N.
to K. in 20, Mu, A., Inan, T., Sierra Garriga, C., Library, P. Y., Hom, H., Kong, H., Castilla, N., Uzaimi,
A., … Bain, B. J. (2016). Khan’s the physics of radiation therapy, 5th edition. Medisur, 15(1), 183–192.
https://doi.org/10.4103/2153-3539.129442
Arul, P., Pushparaj, M., Pandian, K., Chennimalai, L., Rajendran, K., Selvaraj, E., & Masilamani, S. (2018).
Prevalence and types of preanalytical error in hematology laboratory of a tertiary care hospital in South
India. Journal of Laboratory Physicians, 10(02), 237–240. https://doi.org/10.4103/jlp.jlp_98_17
ASH. (1958). American Society of Hematology. https://www.hematology.org/education
Azuela, J. H. S. (2014). Visión Artificial Rasgos Descriptores Para El Reconocimiento De Objetos (Issue Isbn
9788499641423).
Baker, S. A., & Kerov, V. (2013). Photoreceptor inner and outer segments. In Current Topics in Membranes
(Vol. 72, Issue January 2018). https://doi.org/10.1016/B978-0-12-417027-8.00007-6
Banday, S. A., Mir, A. H., & Malik, S. (2020). Multilevel medical image encryption for secure communication.
In Advances in Computational Techniques for Biomedical Image Analysis (pp. 233–252). INC.
https://doi.org/10.1016/b978-0-12-820024-7.00012-8
Bangare, S. L., Dubal, A., Bangare, P. S., & Patil, S. T. (2015). Reviewing otsu’s method for image
thresholding. International Journal of Applied Engineering Research, 10(9), 21777–21783.
https://doi.org/10.37622/ijaer/10.9.2015.21777-21783
Benazzouz, M., Baghli, I., & Chikh, M. A. (2013). Microscopic image segmentation based on pixel
classification and dimensionality reduction. Online in Wiley Online Library, 7.
https://doi.org/10.1002/ima.22032
Berga, L. (2009). Nacimiento, vida y muerte de los glóbulos rojos. El glóbulo rojo visto por un ingeniero. In
Revista de Obras Públicas (Vol. 156, Issue 3496, pp. 7–18).
Bibliografía 76
http://ropdigital.ciccp.es/detalle_articulo.php?registro=18730&numero_revista=3496&anio=2009&ani
o_ini=2000&anio_fin=2009
Bergen, T., Steckhan, D., Wittenberg, T., & Zerfass, T. (2008). Segmentation of leukocytes and erythrocytes
in blood smear images. 2008 30th Annual International Conference of the IEEE Engineering in Medicine
and Biology Society, 3075–3078. https://doi.org/10.1109/IEMBS.2008.4649853
Beunza, J. J., Puertas, E., & Condés, E. (2020). Capitulo 4: Tipos de algoritmos de Machine Learning. In
Inteligencia Artificial en entornos sanitarios (1st ed., p. 100). Elsevier Connect.
Bjerrum, O. W. (2010). Color Atlas of Clinical Hematology. In European Journal of Haematology (Vol. 84,
Issue 4). https://doi.org/10.1111/j.1600-0609.2009.01394.x
Boonstra, J. J., Van Marion, R., Beer, D. G., Lin, L., Chaves, P., Ribeiro, C., Pereira, A. D., Roque, L., Darnton,
S. J., Altorki, N. K., Schrump, D. S., Klimstra, D. S., Tang, L. H., Eshleman, J. R., Alvarez, H., Shimada,
Y., Van Dekken, H., Tilanus, H. W., & Dinjens, W. N. M. (2010). Verification and unmasking of widely
used human esophageal adenocarcinoma cell lines. Journal of the National Cancer Institute, 102(4),
271–274. https://doi.org/10.1093/jnci/djp499
Bovik, A. C. (2009). Introduction to digital image processing. The Essential Guide to Image Processing, 1–
21. https://doi.org/10.1016/B978-0-12-374457-9.00001-9
Brereton, M., De La Salle, B., Ardern, J., Hyde, K., & Burthem, J. (2015). Do we know why we make errors
in morphological diagnosis? An analysis of approach and decision-making in hematological
morphology. EBioMedicine, 2(9), 1224–1234. https://doi.org/10.1016/j.ebiom.2015.07.020
Bunn, H. F. (2013). Erythropoietin. Cold Spring Harbor Perspectives in Medicine, 3(3), 1–20.
https://doi.org/10.1101/cshperspect.a011619
Buscema, P. M., Massini, G., Breda, M., Lodwick, W. A., Newman, F., & Asadi-Zeydabadi, M. (2018).
Artificial neural networks. Studies in Systems, Decision and Control, 131(January 2015), 11–35.
https://doi.org/10.1007/978-3-319-75049-1_2
Campuzano, G. (2013). Interpretación del hemograma automatizado: claves para una mejor utilización de la
prueba. Medicina & Laboratorio, 19, 11–68.
Cano Corrres, R., & Fuentes Arderiu, X. (2007). Errores en el laboratorio clínico. Ifcc, 1–7.
https://www.ifcc.org/media/214854/Errores en el laboratorio clínico.pdf
Carraro, P., & Plebani, M. (2007). Errors in a stat laboratory: Types and frequencies 10 years later. Clinical
Chemistry, 53(7), 1338–1342. https://doi.org/10.1373/clinchem.2007.088344
Castejón, M., Alegre, E., Barreiro, J., & Hernández, L. K. (2007). On-line tool wear monitoring using
geometric descriptors from digital images. International Journal of Machine Tools and Manufacture,
47(12–13), 1847–1853. https://doi.org/10.1016/j.ijmachtools.2007.04.001
Catalán, A. (2019). Técnicas de procesamiento digital de imágenes (pp. 68–71).
Çelik, Ö. (2018). A Research on Machine Learning Methods and Its Applications. Journal of Educational
Technology and Online Learning, September 2018. https://doi.org/10.31681/jetol.457046
Chhillar, N., Khurana, S., Agarwal, R., & Singh, N. K. (2011). Effect of pre-analytical errors on quality of
laboratory medicine at a neuropsychiatry institute in north India. Indian Journal of Clinical
Biochemistry, 26(1), 46–49. https://doi.org/10.1007/s12291-010-0082-2
Çınar, A., & Tuncer, S. A. (2021). Classification of lymphocytes, monocytes, eosinophils, and neutrophils on
white blood cells using hybrid Alexnet-GoogleNet-SVM. SN Applied Sciences, 3(4), 1–11.
https://doi.org/10.1007/s42452-021-04485-9
Colicchia, G., Wiesner, H., Waltner, C., & Zollman, D. (2008). A model of the human eye. The Physics
Teacher, 46(9), 528–531. https://doi.org/10.1119/1.3023653
Comar, S. R., Malvezzi, M., & Pasquini, R. (2017). Evaluation of criteria of manual blood smear review
following automated complete blood counts in a large university hospital. Revista Brasileira de
Hematologia e Hemoterapia, x x, 6–8. https://doi.org/. http://dx.doi.org/10.1016/j.bjhh.2017.06.007
Cox, E. P. (1927). A Method of Assigning Numerical and Percentage Values to the Degree of Roundness of
Sand Grains. Journal of Paleontology, 1(3), 179–183. http://www.jstor.org/stable/1298056
De la Salle, B. (2019). Pre- and postanalytical errors in haematology. International Journal of Laboratory
Hematology, 41(S1), 170–176. https://doi.org/10.1111/ijlh.13007
Dean, L. (2005). Blood and the cells it contains. Blood Groups and Red Cell Antigens, Md, 1–6.
Bibliografía 77
http://www.ncbi.nlm.nih.gov/books/NBK2263/
Delgado, M., Molina, A., Alférez, S., Rodellar, J., & Merino, A. (2020). A deep learning approach for
segmentation of red blood cell images and malaria detection. Entropy, 22(6), 1–16.
https://doi.org/10.3390/e22060657
Depaoli, R., Fernández, L., & Diaz, D. (1903). Optimización de la ecualización del histograma en el
procesamiento de imágenes digitales (pp. 1–5).
Deshpande, N. M., & Gite, S. (2021). A review of microscopic analysis of blood cells for disease detection
with AI perspective. 27. https://doi.org/10.7717/peerj-cs.460
Domínguez, A. (1996). Procesamiento digital de imágenes (p. 11). Perfiles.
Escalona, Y. (2020). Algoritmos para el reconocimiento de estructuras de tablas. Ingenius, 25, 50–61.
https://doi.org/10.17163/ings.n25.2021.05
Espinoza, M. A. (2016). Leucemia (p. 11). https://docplayer.es/21145502-Leucemia-linfoblastica-aguda-
lla.html
Fatichah, C., Tangel, M. L., Widyanto, M. R., Dong, F., & Hirota, K. (2012). Interest-based ordering for fuzzy
morphology on white blood cell image segmentation (Vol. 16, Issue 1).
Fernández, J., Ariznavarreta, C., Cachofeiro, V., Cardinali, D., Escrich, E., Gil, P., Lahera, V., Mora, F.,
Romano, M., & Tamargo, J. (2010). Capítulo 21: Fisiología del eritrocito. In Fisiología humana (4e ed.).
McGraw-Hill Companies, Inc.
Ferreruela, R. (2007). La visión y el ojo. Apunts. Educació Física i Esports, 2(88), 8-14–14.
Fink, N. (2005). Automatización en hematología. Hematología (B. Aires), 9 No 1: 4-, 4–16.
Gao, J. (2009). Image enhancement. In Análisis digital de imágenes de teledetección (p. 36). The McGraw-
Hill Companies. https://ezproxy.uan.edu.co:2107/content/book/9780071604659/chapter/chapter6
García, E. (2008). Detección y clasificación de objetos dentro de un salón de clases empleando técnicas de
procesamiento digital de imágenes. Universidad Autónoma Metropolitana.
Gonzales. (2014). Digital image proccesing using MATLAB. Igarss 2014, 1, 1–5.
Gonzáles, J. (2011). Técnicas y métodos de laboratorio clínico. In Journal of Physics A: Mathematical and
Theoretical (Vol. 44, Issue 8). https://doi.org/10.1088/1751-8113/44/8/085201
González, A. (2015). Conceptos básicos de Machine Learning. Cleverdata: Conceptos Básicos de Machine
Learning. https://cleverdata.io/conceptos-basicos-machine-learning/
González, B. H. (2009). Validación y verificación de métodos de laboratorio aplicados al banco de sangre. Rev
Mex Med Tran @BULLET Enero -Abril, 2(1), 20–29.
Gonzalez, R. C., & Woods, R. E. (2018). Digital image processing 4th ed (V. Tiwari, T. Kimber, & V. Kumar
(eds.); p. 1168). Pearson.
Gonzalez, R., & Woods, R. (2008). Digital image processing (3e ed.). PEARSON.
Grado, T. D. E. F. I. N. D. E., Boyarshinov, V., Sociedad Argentina de Informática e Investigación Operativa
(SADIO), Basyarudin, Silvestre, L. J., de las Heras Mínguez, G., Ramiro, A., Alvarado, V., Javier
Merchán Macías, F., Management Solutions, Tfg, T. D. E. L., Autor, T., Salam, E., Data, S. J.,
Pentakalos, O., Gago Utrera, R., Urcuqui, C., Osorio, J., Navarro, A., … González, F. A. (2018). Uso de
algoritmos automático aplicado a bases de datos genéticos. Высшей Нервной Деятельности, 10(2),
44.
http://openaccess.uoc.edu/webapps/o2/bitstream/10609/65426/6/rgagoTFM0617memoria.pdf%0Ahttp
s://www.managementsolutions.com/sites/default/files/publicaciones/esp/machine-
learning.pdf%0Ahttp://sedici.unlp.edu.ar/handle/10915/41722%0Ahttps://books.google.ca/
Guzmán, M. J., Guzmán, J., & Llanos de los Reyes, M. J. (2016). Significado de la anemia en las diferentes
etapas de la vida. Enfermería Global, 15(3), 407. https://doi.org/10.6018/eglobal.15.3.248221
Hamid, G. A. (2013). Clinical hematology. JAMA, 180(4), 350.
https://doi.org/10.1001/jama.1962.03050170082030
Hammerling, J. A. (2012). A review of medical errors in laboratory diagnostics and where we are today.
Laboratory Medicine, 43(2), 41–44. https://doi.org/10.1309/LM6ER9WJR1IHQAUY
Hernández, C. L., & Dueñas, M. X. (2009). Hacia una metodología de gestión del conocimiento basada en
minería de datos (pp. 79–95).
Bibliografía 78
http://repositorio.uigv.edu.pe/bitstream/handle/20.500.11818/982/COMTEL-2009-80-
96.pdf?sequence=1&isAllowed=y#:~:text=La metodología SEMMA (Sample%2C Explore,de apoyo
para el negocio.
Ibrahim, F., Dosoo, D., Kronmann, K. C., Ouedraogo, I., Anyorigiya, T., Abdul, H., Sodiomon, S., Owusu-
Agyei, S., & Koram, K. (2012). Good clinical laboratory practices improved proficiency testing
performance at clinical trials centers in ghana and burkina faso. PLoS ONE, 7(6), 1–8.
https://doi.org/10.1371/journal.pone.0039098
Jaramillo, P., & Acevedo, P. (2013). Interferencia de las alteraciones morfológicas de los eritrocitos en el
plaquetograma en pacientes con anemia de volumen corpuscular medio bajo, hospitalizados en la IPS de
la Universidad de Antioquia, sede clínica León XIII. Universitas Médica, 54(4), 443–460.
https://doi.org/10.11144/Javeriana.umed54-4.iame
Jiang, M., Cheng, L., Qin, F., Du, L., & Zhang, M. (2018). White Blood Cells Classification with Deep
Convolutional Neural Networks. International Journal of Pattern Recognition and Artificial
Intelligence, 32(9). https://doi.org/10.1142/S0218001418570069
Karpovitch, H. M. X. L. (2021). Capítulo 22: Hematopoyesis. In M. R. Pard. JESÚS A. FERNÁNDEZ-
TRESGUERRES, VICTORIA CACHOFEIRO, DANIEL P. CARDINALI, EVA DELPÓN
MOSQUERA, ENRIQUE REY DÍAZ-RUBIO, EDUARD ESCRICH ESCRICHE, VICENTE
LAHERA JULIÁ, FRANCISCO MORA TERUEL (Ed.), Fisiología humana (5e ed.). M&N Medical
Solutrad S.A. de C.V. https://ezproxy.uan.edu.co:2105/book.aspx?bookid=2987
Kasper, D.Fauci, A. H. (2020). Capítulo 81e: Atlas de hematología y análisis de frotis de sangre periférica. In
SILVERCHAIR (Ed.), Harrison. Principios de medicina interna (Los eosinó, pp. 1–32).
https://accessmedicina.mhmedical.com/
Krumbein, W. (1941). Measurement and Geological Significance of Shape and Roundness of Sedimentary
Particles. SEPM Journal of Sedimentary Research, Vol. 11(2), 64–72.
https://doi.org/10.1306/D42690F3-2B26-11D7-8648000102C1865D
Kuppusamy, P. (2019). Machine Learning Architecture to Financial Service Organizations. International
Journal of Computer Sciences and Engineering, 7 (11)(November), 21.
https://doi.org/10.26438/ijcse/v7i11.85104
Langley, P., & Carbonell, J. G. (1984). Machine Learning for dummies. In C. A. Burchfield (Ed.), Journal of
the American Society for Information Science (IBM Limite, Vol. 35, Issue 5). Acknowledgments.
https://doi.org/10.1002/asi.4630350509
LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436–444.
https://doi.org/10.1038/nature14539
Lewis, S. M., & Bain, B. J. (2008). Dacie y Lewis - Hematología práctica. In Dacie y Lewis. Hematología
Práctica (10th ed.). Elsevier. https://doi.org/10.1016/B978-84-8086-229-5.X5001-2
Lima, G., Lippi, G., Salvagno, G. L., Picheth, G., & Guidi, G. C. (2015). Laboratory diagnostics and quality
of blood collection. Journal of Medical Biochemistry, 34(3), 288–294. https://doi.org/10.2478/jomb-
2014-0043
Liu, D., & Yu, J. (2009). Otsu method and K-means. Proceedings - 2009 9th International Conference on
Hybrid Intelligent Systems, HIS 2009, 1(2), 344–349. https://doi.org/10.1109/HIS.2009.74
Longo, D. L. (2012). Chapter 17e : Atlas of Hematology and Analysis of Peripheral Blood Smears. In
Harrison’s principles of internal medicine: 18th Edition (pp. 1–12).
Lopez, J. (2005). Segmentación por Umbralización Método de Otsu. In Universidad Nacional de Quilmes
(Vol. 3, pp. 1–4). Universidad Nacional de Quilmes.
http://iaci.unq.edu.ar/materias/vision/archivos/apuntes/Segmentación por umbralización - Método de
Otsu.pdf
López, S. (2016). La biometria hemática. In Bol.Med.Inst.Mex.Seguro Soc. (Vol. 15, Issue 9, pp. 1–4).
Lorsch, J. R., Collins, F. S., & Lippincottz, J. (2014). Fixing problems with cell lines. Science, 346(6216),
1452–1453. https://doi.org/10.1126/science.1259110
Madhumita, B., & Zon, L. (2013). Hematopoiesis. Development, 140(12), 2463–2467.
https://doi.org/10.1242/dev.083147
María, S. L. R., & Rosa, O. G. N. (2015). Historia del microscopio y su repercusión en la microbiología (Vol.
Bibliografía 79
15, Issue 2, pp. 355–372).

Matlab. (2017). Representación y Descriptores. Procesamiento Digital De Imágenes.
https://www.fceia.unr.edu.ar/dip/Representacion_Descriptores.pdf
Matlab Academy Mathworks. (2020). Deep Learning Onramp Course.
https://matlabacademy.mathworks.com/R2020a/portal.html?course=deeplearning
Maya Campuzano, G. (2008). Utilidad clínica del extendido de sangre periférica: los eritrocitos. In Medicina
& laboratorio (Vol. 14, Issues 07–08, pp. 311–357).
Mayani, H., Flores, E., Pelayo, R., Montesinos, J. J., Flores, P., & Chávez, A. (2007). Hematopoyesis
Cancerología 2. Hematopoyesis, 2, 95–107.
Mazalan, S. M., Mahmood, N. H., & Razak, M. A. A. (2014). Automated red blood cells counting in peripheral
blood smear image using circular hough transform. Proceedings - 1st International Conference on
Artificial Intelligence, Modelling and Simulation, AIMS 2013, 1, 320–324.
https://doi.org/10.1109/AIMS.2013.59
Medrano, B. (2014). Procesamiento de imágenes con MATLAB (Issue lenguaje M, p. 20).
https://personal.us.es/majiro/2014_10_10_clase2.pdf
Mejía, M., & Alzate, M. (2015). Clasificación automática de formas patológicas de eritrocitos humanos(
Automatic classification of pathological shapes in human erythrocytes). Revista Ingenier{í}a, 21(1), 31–
48.
Mohajon, J. (2020). Matriz de confusión para su modelo de aprendizaje automático de clases múltiples.
https://towardsdatascience.com/confusion-matrix-for-your-multi-class-machine-learning-model-
ff9aa3bf7826
Naqa, I. El, & Murphy, M. J. (2015). What Is Machine Learning ? In C. Springer (Ed.), Machine Learning in
Radiation Oncology (pp. 3–11). Springer International Publishing Suiza. https://doi.org/10.1007/978-3-
319-18305-3
Naugler, C., Mohammed, E., Mohamed, M. A., & Far, B. (2014). Peripheral blood smear image analysis: A
comprehensive review. Journal of Pathology Informatics, 5(1), 9. https://doi.org/10.4103/2153-
3539.129442
Niambi, A. (2005). Hematology. In Hematology (pp. 1–36).
Nucci, L., Narvaez, D., & Krettenauer, T. (2014). Digital image processing. In R. Kernan, D. George, V.
O’Brien, & A. Dworkin (Eds.), Dairy Science & Technology, CRC Taylor & Francis Group (2nd ed.,
Issue June). Prentice Hall.
https://www.researchgate.net/publication/333856607_Digital_Image_Processing_Second_Edition/link/
5d096caa299bf1f539cefac4/download
Nurçin, F. V., & Imanov, E. (2021). Selective Hole Filling of Red Blood Cells for Improved Marker-Controlled
Watershed Segmentation. Scanning, 2021, 1–9. https://doi.org/10.1155/2021/5678117
Olachea, R. (2012). Reconocimiento y cuantificación de células de peces en imágenes de cortes Histológicos.
Tesis, 98.
Olofsson, M. (2014). Short Matlab Manual. file:///C:/Users/Usuario/Downloads/introToMatlab.pdf
Olson, E. (2011). Particle Shape Factors and Their Use in Image Analysis. Gxp, 15(1).
Ordoñez, C. A. (2005). Formatos de imagen digital. Revista Digital Universitaria, 5, 10.
http://www.google.com.bo/url?sa=t&rct=j&q=&esrc=s&source=web&cd=2&cad=rja&uact=8&ved=0
CCIQFjABahUKEwjri_Wb7ofGAhUEkQ0KHbpNABE&url=http://www.revista.unam.mx/vol.6/num
5/art50/may_art50.pdf&ei=c5x5VauGDoSiNrqbgYgB&usg=AFQjCNEyvAYfvH6eDyToM8c51
Page, M. P. A., Howard, R. J., O’Brien, J. T., Buxton-Thomas, M. S., & Pickering, A. D. (1996). Use of neural
networks in brain SPECT to diagnose Alzheimer’s disease. Journal of Nuclear Medicine, 37(2), 195–
200.
Pajares, G. (2001). Visión por computador: imágenes digitales y aplicaciones (Madrid: RA). Universidad Jaén.
https://buscaenbuja.ujaen.es/permalink/34CBUA_UJA/df6b9e/alma991002572029704994
Parab, M. A., & Mehendale, N. D. (2020). Red blood cell classification using image processing and CNN. SN
Computer Science. https://doi.org/10.1007/s42979-021-00458-2
Piuri, V., & Scotti, F. (2004). Morphological classification of blood leucocytes by microscope images. 2004
Bibliografía 80
IEEE International Conference on Computational Intelligence for Measurements Systems and

Applications, CIMSA, July, 103–108. https://doi.org/10.1109/cimsa.2004.1397242
Poon, S., Ward, R. K., Palcic, B., Imaging, C., Agency, B. C. C., Columbia, B., Engineering, E., Columbia,
B., & W, B. C. V. T. R. K. (1992). Automated image detection and segmentation in blood smears. 774,
766–774. https://doi.org/10.1002 / cyto.990130713
Poon, T. C. W., Chan, A. T. C., Zee, B., Ho, S. K. W., Mok, T. S. K., Leung, T. W. T., & Johnson, P. J. (2001).
Application of classification tree and neural network algorithms to the identification of serological liver
marker profiles for the diagnosis of hepatocellular carcinoma. Oncology, 61(4), 275–283.
https://doi.org/10.1159/000055334
Pouliakis, A., Karakitsou, E., Margari, N., Bountris, P., Haritou, M., panayiotides, J., Koutsouris, D., &
Karakitsos, P. (2016). Artificial Neural Networks as Decision Support Tools in Cytopathology: Past,
Present, and Future. Biomedical Engineering and Computational Biology, 7, BECB.S31601.
https://doi.org/10.4137/becb.s31601
Puell, M. (2006). Óptica Fisiológica: el sistema óptico del ojo y la visión binocular.
https://buscaenbuja.ujaen.es/permalink/34CBUA_UJA/df6b9e/alma991004034929104994
Rafael, N., Leonard, T., & Mendoza, C. A. (2019). Valor del frotis de sangre periférica como orientación
diagnóstica en las anemias hemolíticas. Medisur, 17(5), 706–718.
http://medisur.sld.cu/index.php/medisur/article/view/4407
Rahman, S., Azam, B., Khan, S. U., Awais, M., Ali, I., & ul Hussen Khan, R. J. (2021). Automatic
identification of abnormal blood smear images using color and morphology variation of RBCS and
central pallor. Computerized Medical Imaging and Graphics, 87(November 2020), 101813.
https://doi.org/10.1016/j.compmedimag.2020.101813
Rico, R. M. (2015). Tema 6: Descriptores topológicos, geométricos y estadísticos de las imágenes digitales
(p. 49). Universidad de Sevilla.
Roberto, B. (2013). El histograma (pp. 229–235).
Rodak, C. (2010). Atlas de Hematologia Clinica Carr Rodak (Panamericana (ed.); 3 a). EDITORIAL
MEDICA PANAMERICANA S.A.C.E.
Rojas, J. G., Ariza, L. L. C., & Delgado, B. M. (2018). Filtros. In Telecomunicación Analógia. Principios de
simulación y tratamiento de señal (pp. 51–66). https://doi.org/10.2307/j.ctt1zgwm22.6
Romito, A., & Cobellis, G. (2016). Pluripotent stem cells: Current understanding and future directions. Stem
Cells International, 2016(Icm). https://doi.org/10.1155/2016/9451492
Sáenz Bajo, N., & Álvaro Ballesteros, M. (2002). Redes neuronales: concepto, aplicaciones y utilidad en
medicina. Atención Primaria, 30(2), 119–120. https://doi.org/10.1016/s0212-6567(02)78981-6
Sahlol, A. T., Kollmannsberger, P., & Ewees, A. A. (2020). Efficient classification of white blood cell
leukemia with improved swarm optimization of Deep features. Scientific Reports, 10(1), 1–11.
https://doi.org/10.1038/s41598-020-59215-9
Sepúlveda, J., & Soto, A. (2014). Capítulo 9: Sangre y hematopoyesis. In McGRAW-HILL (Ed.), Texto Atlas
de Histología. Biología celular y tisular (2e ed., pp. 1–31). INTERAMERICANA EDITORES, S. A. de
C. V. https://ezproxy.uan.edu.co:2105/book.aspx?bookid=1506
Shirazi, S. H., Umar, A. I., Haq, N. U., Naz, S., & Razzak, M. I. (2015). Accurate microscopic red blood cell
image enhancement and segmentation. In Lecture Notes in Computer Science (including subseries
Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics) (Vol. 9043, Issue April, pp.
183–192). https://doi.org/10.1007/978-3-319-16483-0_18
Sinecen, M. (2016). Digital Image Processing with MATLAB. Applications from Engineering with MATLAB
Concepts, 1–42. https://doi.org/10.5772/63028
Soille, P. (2001). Morphological Image Analysis: Principles and Applications (2nd ed.). Springer, Berlin,
Heidelberg. https://doi.org/10.1007/978-3-642-56680-6
Stéphane, M. (2009). Histograms. In A Wavelet Tour of Signal Processing.
https://doi.org/https://doi.org/10.1016/B978-0-12-374370-1.X0001-8
Szpringer, M. (1973). A Threshold Selection Method from Gray-Level Histograms. IEEE Transactions on
Systems, Man and Cybernetics. Czasopismo Stomatologiczne, 26(8), 855–860.
https://doi.org/http://dx.doi: 10.1109/TSMC. 1979.4310076.
Bibliografía 81
Takashimizu, Y., & Iiyosh, M. (2016). New parameter of roundness R: circularity corrected by aspect ratio.
Progress in Earth and Planetary Science, 3(1). https://doi.org/10.1186/s40645-015-0078-x
Taquía, J. A. (2017). El procesamiento de imágenes y su potencial aplicación en empresas con estrategia
digital. Interfases, 11–30. http://repositorio.ulima.edu.pe/handle/ulima/5416
Terry, N., & Mendoza, C. (2017). Importancia del estudio del frotis de sangre periférica en ancianos. Medisur,
15(3), 362–382.
Theera-umpon, N. (2005). White blood cell segmentation and classification in microscopic bone marrow
images (pp. 787–796).
Thorat, S., & Uike, D. (2020). Computerization Method to classifying of Red Blood Cells using Boosting
Technique. International Journal of Engineering Research And, V9(06), 1572–1577.
https://doi.org/10.17577/ijertv9is060939
Tomari, R., Zakaria, W. N. W., Jamil, M. M. A., Nor, F. M., & Fuad, N. F. N. (2014). Computer aided system
for red blood cell classification in blood smear image. Procedia Computer Science, 42(C), 206–213.
https://doi.org/10.1016/j.procs.2014.11.053
Tombak, A. (2019). Introductory chapter: Erythrocytes - basis of life. Erythrocyte, 210.
https://doi.org/10.5772/intechopen.88847
Torrens, M. (2015a). Interpretación clínica del hemograma: cell blood count clinical interpretation. Revista
Medica Clinica CONDES, 26(6), 713–725.
http://www.laboratorioapg.com/.cm4all/mediadb//Interpretación del hemograma.pdf
Torrens, M. (2015b). Interpretación Del Hemograma. Revista Medica Clinica CONDES, 26(6), 713–725.
http://www.laboratorioapg.com/.cm4all/mediadb//Interpretación del hemograma.pdf
Torres, W. J., & Bello, R. J. (2006). Procesamiento de imágenes a color utilizando morfología matemática.
5ta. Conferencia Iberoamericana En Sistemas, Cibernetica e Informatica, CISCI 2006, Memorias,
3(June 2006), 160–164.
Tyagi, V. (2018). Understanding digital image processing. Understanding Digital Image Processing,
November. https://doi.org/10.1201/9781315123905
Vademecun. (2020). El diagnóstico de las enfermedades hematológicas.
Villaluenga, J. L. (2019). Reconocimiento automatico de objetos en imagenes mediante machine learning (p.
62). Universitat Oberta de Catalunya.
Villatoro, V., & To, M. (2018). A laboratory guide to clinical hematology (1st ed.). EDMONTON.
Villavicencio, G., Cortés, A., Mansilla, J., & Ortiz, J. (2014). Descriptores de Forma.
http://www.scian.cl/archivos/uploads/1414263464.935
Wilding, P., Morgan, M. A., Grygotis, A. E., Shoffner, M. A., & Rosato, E. F. (1994). Application of
backpropagation neural networks to diagnosis of breast and ovarian cancer. Cancer Letters, 77(2–3),
145–153. https://doi.org/10.1016/0304-3835(94)90097-3
Willoughby, C. E., Ponzin, D., Ferrari, S., Lobo, A., Landau, K., & Omidi, Y. (2010). Anatomy and physiology
of the human eye: Effects of mucopolysaccharidoses disease on structure and function - a review.
Clinical and Experimental Ophthalmology, 38(SUPPL. 1), 2–11. https://doi.org/10.1111/j.1442-
9071.2010.02363.x
Wolf, P. R., Dewitt, B. A., & Wilkinson, B. E. (2014a). Digital image analysis. In Elements of Photogrammetry
with Applications in GIS (4th ed., Issue 1). McGraw-Hill Companies, Inc.
https://www.accessengineeringlibrary.com/content/book/9780071761123/chapter/chapter8
Wolf, P. R., Dewitt, B. A., & Wilkinson, B. E. (2014b). Fundamental principles of digital image processing.
In Elements of photogrammetry with applications in GIS (4th ed.). McGraw-Hill Companies, Inc.
https://www.accessengineeringlibrary.com/content/book/9780071761123/front-
matter/preface1%0ADownload as...
Yi, F., Moon, I., & Javidi, B. (2016). Cell morphology-based classification of red blood cells using holographic
imaging informatics. Biomedical Optics Express, 7(6), 2385. https://doi.org/10.1364/boe.7.002385
Yoshida, T., Prudent, M., & D’Alessandro, A. (2019). Red blood cell storage lesion: Causes and potential
clinical consequences. Blood Transfusion, 17(1), 27–52. https://doi.org/10.2450/2019.0217-18
Yousefi, J. (2015). Image binarization using Otsu thresholding algorithm. Research Gate, May.
Bibliografía 82
https://doi.org/10.13140/RG.2.1.4758.9284
Yu, J., & Thomson, J. (2008). Pluripotent stem cell lines. Genes & Development, 22(15), 1987–1997.
https://doi.org/10.1101/gad.1689808
Zambrano U., H. M. (2018). Imagen digital y tecnología. Ñawi, 2(1), 60. https://doi.org/10.37785/1002103
Zamora, F. G. (2002). Procesamiento morfológico de imágenes en color: aplicación a la reconstrucción
geodésica [Universidad de Alicante]. In Fundamentos de morfología matemática.
http://hdl.handle.net/10045/10053
Zamudio, L. (2017). Cálculos del volumen sanguíneo. In Rev Mex Med Tran (Vol. 10, pp. 14–17).
http://www.medigraphic.com/medicinatransfusional/%0A14
Zhu, J., Zhang, E., & Rio‐Tsonis, K. (2012). Eye anatomy. ELS, October.
https://doi.org/10.1002/9780470015902.a0000108.pub2

2021 TrabajoG MenaQuintero, MariaCamila

Cargado por

Copyright:

Formatos disponibles

2021 TrabajoG MenaQuintero, MariaCamila

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

2021 TrabajoG MenaQuintero, MariaCamila

Cargado por

Copyright:

Formatos disponibles

CLASIFICACIÓN MORFOLÓGICA DE ERITROCITOS EN IMÁGENES

DIGITALES DE FROTIS DE SANGRE PERIFÉRICA MEDIANTE DEEP LEARNING

María Camila Mena Quintero

Universidad Antonio Nariño

Programa de Ingeniería Biomédica

Facultad de Ingeniería Mecánica, Electrónica y Biomédica

DIGITALES DE FROTIS DE SANGRE PERIFÉRICA MEDIANTE DEEP

María Camila Mena Quintero

Ph.D. Ingeniero José Luis Narváez Semanate

Universidad Antonio Nariño

Programa de Ingeniería Biomédica

Facultad de Ingeniería Mecánica, Electrónica y Biomédica

El trabajo de grado titulado

CLASIFICACIÓN MORFOLÓGICA DE ERITROCITOS

Cumple con los requisitos para optar

Firma del Tutor

Dedico este trabajo en primer lugar a

Dios, por su amor infinito, por darme la fuerza

y la vida para lograr mis propósitos.

A mis padres, Alirio y Adriana, por ser

mi motor, por todo su amor y apoyo

A mi hermana Laura, por su compañía

y por estar siempre para mí.

A mis abuelos Lizardo y Libia †,

Otoniel † y Justina †, por darme siempre su

bendición e impulsarme a alcanzar mis

A mis tíos Albeyro, Yamhile, Milena,

Dario y Blanca, por apoyarme y animarme a

A Carlos Ernesto, por sus consejos y

por creer en mí.

A mi Director, Ph.D. Ingeniero José Luis Narváez Semanate, por su valiosa

orientación para llevar a cabo este trabajo.

Al Doctor Julián Augusto Córdoba Espinosa, Médico especialista en hematología,

por su orientación desde la parte médica para el desarrollo de este trabajo.

A la Doctora Alba Rocío Medina, Bacterióloga especialista en hematología, por su

aporte en la creación del banco de imágenes.

para el desarrollo de este trabajo.

En hematología, el hemograma es una de las pruebas valorativas empleadas con

es un proceso detallado y ordenado, que se realiza con el objetivo de buscar cambios

morfológicos que permitan establecer diferencias entre normalidad y anormalidad.

basada en parámetros cualitativos; dependen de la habilidad y experiencia del evaluador,

lo que puede implicar errores, gasto de tiempo y dinero.

Teniendo en cuenta lo mencionado, se implementó en Matlab un método de

clasificación eritrocitaria, basado en descriptores morfológicos (diámetro, perímetro, área,

partir de la cual se obtiene un porcentaje de exactitud del 83.3%.

Palabras clave: Método de clasificación, eritrocitos, clasificación morfológica,

Deep Learning, red neuronal.

differences between normality and abnormality.

lead to mistakes, time and money.

Taking into account the aforementioned, an erythrocyte classification method was

implemented in Matlab, based on morphological descriptors (diameter, perimeter, area,

percentage of accuracy of 83.3% is obtained.

Keywords: Classification method, erythrocytes, morphological classification, Deep

Learning, neural network.

1.1 Planteamiento del Problema ......................................................................5

2.1 Bases teóricas ......................................................................................... 11

4.1 Resultados .............................................................................................. 59

Figura 1 División de la Célula Madre Sanguínea ..................................... 13

Figura 2 Etapas de Formación de los Eritrocitos ..................................... 14