Clasificación de parásitos en imágenes de copro con transferencia de aprendizaje y aumento de datos
DOI:
https://doi.org/10.32870/recibe.v10i2.235Palabras clave:
Clasificación de parásitos, Aumento de datos, Transferencia de aprendizaje, GAN, ,AlexNet.Resumen
Los seres humanos pueden albergar parásitos, por lo tanto, es fundamental una detección temprana para prevenir enfermedades. Los parásitos pueden observarse a través de imágenes microscópicas, con lo cual, la visión por computadora se muestra como un enfoque que pueda ayudar a la detección y clasificación de parásitos en imágenes digitales. Los modelos de aprendizaje profundo han mostrado un desempeño formidable en la clasificación de imágenes, debido a esto, en este artículo se presentan varios clasificadores profundos multiclase para reconocer 8 clases: 7 tipos de parásitos y la clase no parásitos. Los clasificadores diseñados utilizan transferencia de aprendizaje basada en la arquitectura AlexNet modificada. Al contar con una cantidad de muestras escasa de imágenes de parásitos, se realizó también un aumento de datos, tanto con el método tradicional como mediante la generación de imágenes con una red generativa adversaria (GAN) diseñada para ese propósito. El clasificador con mejor desempeño presentó una exactitud del 99.94%, 98.97% y 98.18% en el conjunto de entrenamiento, validación y de prueba, respectivamente.Citas
Bharadwaj A. y Sujitha D. (2019). Transfer Learning with ResNet-50 for Malaria Cell-Image Classification. 2019 International Conference on Communication and Signal Processing (ICCSP), 946-949. DOI: 10.1109/ICCSP.2019.8697909
Chain E., Fang W., Miang Y y Tian J., (2021). Computer vision approaches for detecting missing barricades. Automation in Construction, 131, 103852. https://doi.org/10.1016/j.autcon.2021.103862
Chakradeo K., Delves M. y Titarenko S., (2019). Malaria Parasite Detection Using Deep Learning Methods. 2019 International Conference on Communication and Signal Processing (ICCSP), 15(2), 175-182. https://doi.org/10.1016/j.jns.2017.08.946
Goodfellow I., Pouget-Abadie J., Mirza M., Xu B., Warde-Farley D., Ozair S, Courville A. y Bengio Y., (2014). Generative adversarial networks. Advances in neural information processing systems, 27, 2672–2680.
Huq A. y Pervin T., (2020). Robust Deep Neural Network Model for Identification of Malaria Parasites in Cell Images. 2020 IEEE Region 10 Symposium (TENSYMP), 1456-1459, https://doi.org/10.1109/TENSYMP50017.2020.9230832.
Krizhevsky A. Sutskever I. y Hinton G., (2012). ImageNet classification with deep convolutional neural networks. Advances in neural information processing systems, 25, 1097-1105.
Meda K., Milla S. y Rostad B., (2021). Artificial intelligence research within reach: an object detection model to identify rickets on pediatric wrist radiographs, Pediatric Radiology, 51, 782-791. https://doi.org/ 10.1007/s00247-020-04895-8
Nakasi R., Aliija E. y Nakatumba J., (2021). A Poster on Intestinal Parasite Detection in Stool Sample Using AlexNet and GoogleNet Architectures, ACM SIGCAS Conference on Computing and ustainable Societies (COMPASS), 389-395. https://doi.org/10.1145/3460112.3472309
OMS (2 de marzo 2020). Helmintiasis transmitidas por el suelo. https://www.who.int/es/news-room/fact-sheets/detail/soil-transmitted-helminth-infections
Pan S. y Yang Q., (2009). A Survey on Transfer Learning. IEEE Transactions on Knowledge and Data Engineering. 22(10), 1345-1359. https://doi.org/ 10.1109/TKDE.2009.191
Prakash R. y Chithaluru P., (2020). Active Security by Implementing Intrusion Detection and Facial Recognition. Nanoelectronics, Circuits and Communication Systems, 692, 1-7. https://doi.org/10.1007/978-981-15-7486-3_1
Radford A. y Metz L., (2015). Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks. arVix Preprint.
Shah D., Kawale K., Shah M., Randive S. y Mapari R., (2020). Malaria Parasite Detection Using Deep Learning. 2020 4th Proceedings of the International Conference on Intelligent Computing and Control Systems (ICICCS), 984-988. https://doi.org/10.1109/ICICCS48265.2020.9121073
Shorten C. y Khoshgoftaar T., (2019). A survey on Data Augmentation for Deep Learning. Journal of Big Data, 6(60), 1-48. https://doi.org/10.1186/s40537-019-0197-0
Shorten C., Maqsood A., Shahid M., Hassan M. y Grzegorzek M., (2021). Deep Malaria Parasite Detection in Thin Blood Smear Microscopic Images. Applied Sciences, 11(5), 2284. https://doi.org/10.3390/app11052284
Song C., Wang C. y Yang Y., (2020). Automatic Detection and Image Recognition of Precision Agriculture for Citrus Diseases. 2020 IEEE Eurasia Conference on OIT, Communication and Engineering (ECICE), 187-190. https://doi.org/10.1109/ECICE50847.2020.9301932
Suriva M., Chandran V. y Sumithra M., (2019). Enhanced deep convolutional neural network for malaria parasite classification. International Journal of Computers and Applications, 1-10. https://doi.org/10.1080/1206212X.2019.1672277
Var E. y Boray F., (2018). Malaria Parasite Detection with Deep Transfer Learning. 2018 3rd International conference on computer science and engineering (UBMK), 298-302. https://doi.org/10.1109/UBMK.2018.8566549
Weiss K., Khoshgoftaar T. y Wang D., (2016). A survey of transfer learning. Journal of Big Data. 3(9), 1-40. https://doi.org/10.1186/s40537-016-0043-6
Zhuang F., Qi Z., Duan K., Xi D., Zhu Y., Zhu H., Xiong H y He Q., (2020), A Comprehensive Survey on Transfer Learning. Proceedings of the IEEE, 109(1), 43-76. https://doi.org/10.1109/JPROC.2020.3004555
