Diseño, desarrollo y evaluación de un sistema de clasificación de objetos en imágenes que permita la monitorización de C. elegans mediante redes neuronales convolucionales

Abstract

[ES] En este proyecto se ha desarrollado un algoritmo que facilita las tareas de monitorización de nematodos Caenorhabditis elegans (C. elegans), con el objetivo de automatizar las tareas de investigación. En concreto, se trata de un clasificador de imágenes que permite detectar si el gusano está vivo o muerto.

En primer lugar, se ha realizado un estudio de alternativas revisando proyectos similares y comparando las técnicas tradicionales de visión por computador y los algoritmos de Aprendizaje Profundo (Deep Learning).

Tras analizar sus ventajas y desventajas, se ha optado por hacer uso de redes neuronales artificiales. Para poder entrenar redes neuronales, es necesario disponer de una gran cantidad de imágenes etiquetadas, por lo que se ha procedido a etiquetar la base de datos disponible.

Seguidamente, se ha planteado el uso de dos arquitecturas de redes neuronales: las redes neuronales convolucionales y las redes neuronales recurrentes. Para cada tipo de red se necesita un tipo de entrada, por lo que se han propuesto varios métodos para introducir la información.

Una vez generado el dataset completo, se ha divido en grupos de entrenamiento y validación. A continuación, se han implementado las redes neuronales haciendo uso del software de Deep Learning Pytorch y se han desarrollado diferentes pruebas para determinar la arquitectura más apropiada para resolver el problema y optimizar los resultados.

Como conclusión, se ha comprobado que la combinación de redes neuronales convolucionales y recurrentes obtiene los mejores porcentajes de precisión al clasificar las imágenes de C. elegans.

[EN] In this project an algorithm has been developed that facilitates the monitoring tasks of nematodes Caenorhabditis elegans (C. elegans), with the aim of automating research tasks. Specifically, it is an image classifier that allows to detect if the worm is alive or dead.

First of all, a study of alternatives has been carried out by reviewing similar projects and comparing traditional computer vision techniques and Deep Learning algorithms. After analyzing their advantages and disadvantages, it has been decided to make use of artificial neural networks. In order to train neural networks, it is necessary to have a large number of tagged images, so we have proceeded to tag the database available.

Next, the use of two neural network architectures has been considered: convolutional neural networks and recurrent neural networks. For each type of network an input type is needed, so several methods have been proposed to introduce the information.

Once the complete dataset has been generated, it has been divided into training and validation groups. Next, neural networks have been implemented using the Deep Learning Pytorch software and different tests have been developed to determine the most appropriate architecture to solve the problem and optimize the results.

As a conclusion, it has been proved that the combination of convolutional and recurrent neural networks obtains the best percentages of precision when classifying the images of C. elegans.