Algoritmo de diagnóstico de tuberculosis mediante detección de colonias en videos de cultivos MODS utilizando segmentación Max-Tree y redes neuronales MCNN

Abstract

El presente trabajo propone un algoritmo automático de clasificación de videos de muestras de tuberculosis basadas en el método MODS. La etapa de procesamiento de video utiliza la técnica de realce de bordes Phase Stretch Transform para el preprocesamiento, y el método max-tree para la segmentación y seguimiento espaciotemporal de objetos de interés en cada día de video. La etapa de clasificación de objetos individuales utiliza atributos dinámicos de la forma de los objetos para el entrenamiento de clasificadores clásicos (Bayes Ingenuo Gaussiano, Máquina de Soporte Vectorial y Clasificación por Proceso Gaussian) y un clasificador de red neuronal convolucionante multiescala (MCNN). El entrenamiento y evaluación de los clasificadores de objetos individuales se hizo con objetos de días tan tempranos como 3, hasta días tan tardíos como 11. Se concluye que el mejor clasificador clásico está basado en Máquina de Soporte Vectorial (SVM), y que el mejor clasificador definitivo es el de la MCNN. El clasificador de SVM tiene una precisión de 59%, sensibilidad de 58% y especificidad de 75%. El clasificador con MCNN supera al SVM en todas las métricas por más del 20%, salvo en especificidad donde SVM lo supera por 4%: tiene una precisión de 83%, sensibilidad de 83% y especificidad de 71%. En la etapa de clasificación de videos, se utilizan los resultados de los clasificadores de objetos para construir clasificadores de videos. Se evalúan las métricas del clasificador basado en MCNN, considerando solamente los días 3, 4 y 5 de crecimiento para cada video disponible. En estos días, la MCNN presenta una precisión de 81%, sensibilidad de 72% y especificidad de 50%. Aunque ninguna de estas métricas llega al 90%, es importante mencionar que las colonias tempranas de tuberculosis (días 3, 4 y 5) son muy similares a detritos u otros objetos que no son colonias en los cultivos MODS. Además, las muestras presentan mucha mayor cantidad de detritos y residuos que colonias; es decir, presentan alto nivel de elementos distractores o artefactos. Consecuentemente, la clasificación adecuada de objetos individuales tempranos en MODS es una tarea bastante retadora, y los resultados obtenidos son útiles a manera de un primer filtro de muestras MODS, que permitirá a los tecnólogos enfocarse en las muestras con mayor probabilidad de ser positivas primero, pero sin dejar de evaluar las demás muestras.

The following work proposes an automatic algorithm for classifying videos of MODS tuberculosis samples. The video processing stage applies edge enhancement with the Phase Stretch Transform technique, after which it uses the max-tree method to spatiotemporally segment and track the objects of interest in each day of the video. The individual object classification stage uses dynamic shape attributes of each object to train classic classifiers (Gaussian Naïve Bayes, Support Vector Machine and Gaussian Process Classifier), and a multiscale convolutional neural network (MCNN). Training and evaluation of these individual object classifiers used objects from days as early as 3, up to days as late as 11. The conclusion points that the best classical classifier is based on an SVM, and the best overall classifier is the one with MCNN. The SVM classifier has a precision of 59%, a sensibility of 58% and a specificity of 75%. The MCNN classifier outperforms the SVM in all metrics by more than 20%, except on specificity where SVM is better by 4%: MCNN has a precision of 83%, a sensibility of 83% and a specificity of 71%. In the video classification stage, the results from the object classifiers served as input to build video classifiers. The computation of the evaluation metrics for MCNN-based video classifier only considered days 3, 4 and 5 for each available video. In these time periods, the MCNN obtained a precision of 81%, sensibility of 72% and specificity of 50%. Although none of these metrics achieve a value of 90%, it is important to mention that early day colonies (days 3, 4 and 5) are very similar to detritus or residuals or other non-colony objects in MODS cultures. Besides, samples always have many more non-colonies than colonies; this is, they have a high level of distracting elements. As a consequence, the adequate classification of early day MODS objects is very challenging, and the results are useful as a first-level filter of MODS samples, which allows technicians to focus first on samples with a higher chance of being positive, without discarding the rest.