Este artigo apresenta uma abordagem de segmentação para o reconhecimento e quantificação de expressão de imunoistoquímica (IHC) através do aprendizado de uma métrica de distância. Este método é baseado em duas etapas: treinamento e segmentação. A etapa de treinamento é realizada pela seleção supervisionada de algumas áreas típicas de expressão de IHC na imagem. Nesta etapa o padrão esperado de IHC é estatisticamente caracterizado, onde ocorre o aprendizado da métrica de distância e um espaço característico é modelado. Através desse espaço são obtidos os mapas de similaridade para cada imagem de IHC, com os níveis de intensidade correspondendo ao grau da reação do biomarcador sobre o tecido. A etapa de segmentação é guiada por um parâmetro de escala que controla a quantidade de áreas marcadas com base nos valores de intensidade dos mapas de similaridade. O método é baseado no aprendizado da distância de Mahalanobis para produzir um espaço característico, para posteriormente ser utilizado na distinção entre marcações positivas de expressão de IHC e tecidos normais, bem como quantificar o grau de intensidade da reação. Os resultados obtidos pelo método proposto foram comparados com a classificação linear no espaço de cores HSV (Hue, Saturation and Value) utilizando diferentes categorias de biomarcadores. Os resultados mostram que os limites da fronteira da distribuição dos padrões são mais bem definidos no método proposto, permitindo assim uma melhor discriminação entre tecidos normais e expressão de IHC.

This paper presents a segmentation approach to the recognition and quantification of immunohistochemistry (IHC) expression employing a distance metric learning method. This method is based in a two-step procedure, training and segmentation. The training step is performed by the supervised selection of a few IHC typical stained areas on image. In that step the desired IHC pattern is statistically characterized, where a distance metric is learned and a featured space is created. With this space, similarity maps are obtained by each IHC image with its intensity levels corresponding to degrees of reaction provided by the biomarker over the tissue. The segmentation step is guided by a scale-space parameter that controls the amount of labeled areas based on intensity values of the similarity maps. This method learns a Mahalanobis distance metric to produce a featured space used to distinguish between IHC positive staining and normal tissues, as well as quantifying the reaction intensity degrees. The results obtained by the proposed method were compared to the linear classification on HSV (Hue, Saturation and Value) color space using different biomarkers categories. The comparison results show that the boundary limits of the pattern distributions are better defined in the proposed method, allowing better discrimination between normal tissues and IHC expression.