Diseño, desarrollo y validación de un sistema de visión artificial para la automatización de ensayos de Healthspan para C. elegans

Abstract

[ES] En el presente proyecto de final de máster se va a llevar a cabo el diseño, desarrollo y validación de un sistema de visión artificial para la automatización de ensayos de healthspan para C. elegans.

El desarrollo del trabajo estará basado en arquitecturas de redes neuronales ¿U-Net¿ para resolver el complejo problema de la segmentación y en un procesamiento de imagen tradicional para extraer las características de movimiento a partir de las imágenes segmentadas. La elección de estos parámetros se realizará en función de qué tan bien caractericen el healthspan de los C. elegans.

En el ai2 se dispone de datasets con secuencias de imágenes de C. elegans de cepas con comportamientos diferentes. Este dataset se dividirá en tres subconjuntos: uno para el entrenamiento, otro para la validación y otro para test.

Para mejorar el entrenamiento de la U-Net, se van a utilizar diferentes metodologías avanzadas. Ajuste de hiperparámetros, como la tasa de aprendizaje, optimizador y la regularización de la validación. Data Augmentation, para aumentar el tamaño del dataset inicial. Transfer Learning, utilizando un modelo pre-entrenado como punto de partida, entre otras que se consideren convenientes.

En cuanto al desarrollo, se utilizará programación mediante el lenguaje Python a través de la plataforma de aprendizaje profundo Pytorch. Se utilizará el software ¿Tierpsy Tracker¿, que realiza la extracción automática de muchos de los parámetros de movimiento de los C. elegans a partir de las imágenes segmentadas obtenidas con la U-Net.

Finalmente, se evaluará el trabajo desarrollado realizando una comparación entre los resultados obtenidos automáticamente y los datos etiquetados de validación. Esto se conseguirá mediante la combinación de diferentes indicadores de rendimiento, como la Matriz de Confusión, la Precisión, la Sensibilidad o el F1-Score.

[CA] En el present projecte de final de màster es durà a terme el disseny, desenvolupament i validació d'un sistema de visió artificial per a l'automatització d'assajos de Healthspan per a C. elegans. El desenvolupament del treball estarà basat en arquitectures de xarxes neuronals "U-Net" per a resoldre el complex problema de la segmentació i en un processament d'imatge tradicional per a extreure les característiques de moviment a partir de les imatges segmentades. La elecció d'aquests paràmetres es realitzarà en funció de com de bé caracteritzen el Healthspan dels C. elegans. En l'ai2 es disposa de datasets amb seqüències d'imatges de C. elegans de soques amb comportaments diferents. Aquest dataset es dividirà en tres subconjunts: un per a l'entrenament, un altre per a la validació i un altre per a la prova. Per a millorar l'entrenament de la U-Net, s'utilitzaran diferents metodologies avançades. Ajust de hiperparàmetres, com la taxa d'aprenentatge, optimitzador i la regularització de la validació. Data Augmentation, per a augmentar la mida del dataset inicial. Transfer Learning, utilitzant un model preentrenat com a punt de partida, entre altres que es consideren convenients. Quant al desenvolupament, s'utilitzarà programació mitjançant el llenguatge Python a través de la plataforma d'aprenentatge profund Pytorch. S'utilitzarà el programari "Tierpsy Tracker", que realitza l'extracció automàtica de molts dels paràmetres de moviment dels C. elegans a partir de les imatges segmentades obtingudes amb la U-Net. Finalment, s'avaluarà el treball desenvolupat realitzant una comparació entre els resultats obtinguts automàticament i les dades etiquetades de validació. Això s'aconseguirà mitjançant la combinació de diferents indicadors de rendiment, com la Matriu de Confusió, la Precisió, la Sensibilitat o el F1-Score.

[EN] In this master¿s final project, the design, development, and validation of a computer vision system for the automation of healthspan tests for C. elegans will be carried out.

The development of the project will be based on ¿U-Net¿ neural networks architectures to solve the complex problem of segmentation and traditional image processing techniques to extract the motion characteristics from the segmented images. The choice of these parameters will be based on how well they characterize the healthspan of C. elegans.

The ai2 has at its disposal datasets with image sequences of C. elegans from different strains with different behaviors. This dataset will be divided into three subsets: one for training, one for validation and one for testing.

To improve the training of the U-Net, different advanced methodologies will be used. Hyperparameter tuning, such as learning rate, optimizer, and validation regularization, will be performed. Data Augmentation will be applied to increase the size of the initial dataset. Transfer learning will be utilized by using a pre-trained model as a starting point, among other relevant techniques considered.

For the development of the project, programming will be done using the Python language and the deep learning platform Pytorch. The software ¿Tierpsy Tracker¿ will be used, which automatically extracts many of the motion parameters of the C. elegans given the segmented images obtained with the U-Net.

Finally, the developed work will be evaluated by comparing the results obtained automatically with the labeled validation data. This will be accomplished by a combination of different performance indicators, such as Confusion Matrix, Accuracy, Sensitivity, or F1-Score.