Diseño, implementación y validación de técnicas de identificación de células infectadas de malaria mediante redes neuronales

Abstract

[ES] El objetivo de este trabajo es el diseño, la implementación y la validación de un modelo de clasificación de imágenes, en este caso concreto, de un clasificador que sea capaz de discernir entre una célula en buen estado y otra que este infectada de malaria. Este tipo de modelos se podrían emplear en el sector sanitario para aumentar la precisión y velocidad con la que se detectan las enfermedades parasitarias. No obstante, también podrían ser extrapolables a otro tipo de enfermedades aplicando la misma metodología.

Para la creación de dicho clasificador, se emplean técnicas de inteligencia artificial y machine learning como son las redes neuronales o las redes convolucionales. A través de estas, el clasificador aprende de forma totalmente automática a reconocer aquellas características que diferencian una imagen de una célula infectada, de otra que no lo está.

Partiendo de un conjunto de datos (¿dataset¿) de aproximadamente 20.000 imágenes de células infectadas y sin infectar, se diseñará, implementará y validará el modelo utilizando Python, OpenCV y Pytorch.

Finalmente, se evaluarán y optimizarán las distintas propuestas, utilizando como criterio de optimización la tasa de aciertos, con el fin de obtener el clasificador con el mayor porcentaje de aciertos posible.

[CAT] L'objectiu d'aquest treball és la creació del model d'un classificador d'imatges, en aquest cas concret, d'un classificador que siga capaç de discernir entre una cèl·lula en bon estat i una altra infectada de malària. Aquest tipus de models es podrien emprar en el sector sanitari per a augmentar la precisió i velocitat amb la qual es detecten les malalties parasitàries. No obstant això, també podrien ser extrapolables a una altra mena de malalties aplicant la mateixa metodologia. Per a la creació d'aquest classificador, s'empren tècniques d'intel·ligència artificial i machine learning com són les xarxes neuronals o les xarxes convolucionals. A través d'aquestes, el classificador aprén de forma totalment automàtica a reconéixer aquelles característiques que diferencien una imatge d'una cèl·lula infectada, d'una altra que no ho està. Partint d'un conjunt de dades (“dataset”) d'aproximadament 20.000 imatges de cèl·lules infectades i sense infectar, es dissenyarà, implementarà i validarà el model utilitzant *Python, OpenCV i Pytorch. Finalment, s'avaluaran i optimitzaran les diferents propostes, utilitzant com a criteri d'optimització la taxa d'encerts, amb la finalitat d'obtindre el classificador amb el major percentatge d'encerts possible.

[EN] The objective of this work is the creation of a model of an image classifier, in this particular case, of a classifier that is able to discern between a cell in good condition and another one that is infected with malaria. Such models could be used in the health sector to increase the accuracy and speed with which parasitic diseases are detected. However, they could also be extrapolated to other types of diseases by applying the same methodology.

To create this classifier, artificial intelligence and machine learning techniques such as neural networks or convolutional networks are used. Through these, the classifier automatically learns to recognize those characteristics that differentiate an image of an infected cell from one that is not infected.

Starting from a dataset of approximately 20,000 images of infected and uninfected cells, the model will be designed, implemented and validated using Python, OpenCV and Pytorch.

Finally, the different proposals will be evaluated and optimised, using the hit rate as an optimisation criterion, in order to obtain the classifier with the highest possible hit rate.