Evaluación de imágenes de microscopía usando algoritmos de Machine Learning para detección de células individuales y colonias de bacterias en raíces

La capacidad de los microorganismos para colonizar diferentes tipos de superficies e interactuar química y biológicamente con el medio que colonizan ha sido objeto de estudio por años. Un ejemplo de ello es la gran cantidad de proyectos y publicaciones sobre el efecto de las colonizaciones en la salud humana, en la bioprotección de superficies rocosas en estructuras de interés cultural, en biopesticidas, en la degradación de plásticos en ecosistemas marinos y en la biofertilización y bioestimulación de plantas. Técnicas como FISH (Fluorescent in situ hybridization) ó CARD-FISH (catalyzed-reporter deposition- FISH), y la posterior microscopía de fluorescencia o confocal, conforman una sinergia de métodos disponibles para detectar y monitorear la presencia de microorganismos de interés en diferentes ambientes, como es el caso de las raíces de las plantas. Este estudio utiliza una colección de imágenes obtenida del proyecto doctoral “Promoción de crecimiento vegetal de Bacillus subtilis EA-CB0575, colonización rizosférica y potencial genómico y bioquímico”, en el cual se evaluó la colonización de la cepa Bacillus subtilis EA-CB0575, un promotor de crecimiento vegetal en cultivos de interés económico. La finalidad de esta colección de imágenes era evaluar la presencia del microorganismo enunciado en las raíces de las especies vegetales evaluadas (banano, Musa AAA var. Williams y tomate, Lycospersicum esculentum var. Chonto) y monitorear a Bacillus subtilis por medio del uso de una o varias sondas de fluorescencia; generando imágenes donde las células de interés, fluoresciendo debido al proceso realizado, se contrastan de forma notoria con el fondo negro o de baja fluorescencia. Esta investigación se dividió en dos fases; la primera consistió en el diseño de un algoritmo, ejecutado por el equipo de trabajo. Este algoritmo resultante se denominó MSA, y tiene como finalidad segmentar imágenes con las características de fluorescencia ya mencionadas. La segunda fase consistió en la segmentación de las imágenes por parte de los algoritmos supervisados RATS, RATS L, Detección de bordes, LOCAL, Isodata, y el entrenamiento no supervisado para la definición de parámetros del algoritmo Canny, algunos de ellos implementados en software ya existente y disponible para análisis de imágenes de microscopía como DAIME e Image J. El algoritmo que obtiene la menor diferencia entre el conteo de células por parte del experto y la segmentación de las regiones de interés fue el algoritmo de detección de bordes Canny con un valor RMSE de 67,8.Por otra parte, bajo la métrica del error MAE y la medida de exactitud el algoritmo que utiliza un valor de umbral global RATS obtiene el mejor desempeño, la precisión más alta la obtiene el algoritmo Canny (84%), y la sensibilidad más alta (43%) la obtiene el algoritmo Detección de bordes. El desempeño del algoritmo MSA fue positivo, ya que en todas las medidas definidas estuvo por encima del promedio, el mejor desempeño lo obtuvo en la medida de precisión (71,4%). Durante el desarrollo de esta investigación se evidenció la subjetividad y el sesgo que existe en el análisis de las imágenes, ya que para el mismo experto es difícil replicar los resultados en el conteo de células hechos con anterioridad. Por esta razón, la metodología aquí planteada es una alternativa para eliminar la subjetividad y convertir el análisis de imágenes de microscopía de en un proceso que permita reproducibilidad de los resultados.

• Tipo de recurso: masterThesis
• Fecha de publicación: 2021
• Institución: Pontificia Universidad Javeriana
• Repositorio: Repositorio Universidad Javeriana
• Idioma: spa
• OAI Identifier: oai:repository.javeriana.edu.co:10554/53721
• Acceso en línea: http://hdl.handle.net/10554/53721; https://doi.org/10.11144/Javeriana.10554.53721
• Palabra clave: Imágenes; Microscopia; Machine learning; Células; Algoritmos; Análisis; Images; Microscopy; Machine learning; Cells; Algorithms; Analysis; Maestría en analítica para la inteligencia de negocios - Tesis y disertaciones académicas; Redes neuronales (Computadores); Aprendizaje automático (Inteligencia artificial); Algoritmos (Computadores)
• Rights: openAccess
• License: Atribución-NoComercial-SinDerivadas 4.0 Internacional