Bibliographic citations
Sánchez, A., (2019). Algoritmo de diagnóstico de tuberculosis mediante detección de colonias en videos de cultivos MODS utilizando segmentación Max-Tree y redes neuronales MCNN [Tesis, Universidad Nacional de Ingeniería]. http://hdl.handle.net/20.500.14076/18458
Sánchez, A., Algoritmo de diagnóstico de tuberculosis mediante detección de colonias en videos de cultivos MODS utilizando segmentación Max-Tree y redes neuronales MCNN [Tesis]. : Universidad Nacional de Ingeniería; 2019. http://hdl.handle.net/20.500.14076/18458
@mastersthesis{sunedu/3502422,
title = "Algoritmo de diagnóstico de tuberculosis mediante detección de colonias en videos de cultivos MODS utilizando segmentación Max-Tree y redes neuronales MCNN",
author = "Sánchez Huapaya, Alonso Sebastián",
publisher = "Universidad Nacional de Ingeniería",
year = "2019"
}
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.
This item is licensed under a Creative Commons License