Desarrollo de un sistema de clasificación de patrones de anticuerpos antinucleares en pruebas de inmunofluorescencia indirecta (IFI) utilizando técnicas de inteligencia artificial

Esta tesis de grado presenta un enfoque innovador para mejorar la detección de enfermedades autoinmunes mediante la aplicación de técnicas avanzadas de inteligencia artificial (IA), específicamente enfocadas en el aprendizaje profundo (deep learning) y el aprendizaje automático (machine learning), u...

Full description

Autores:: Bernal Garnica, Adrian Felipe
Bernal Rangel, Jhojan David

Tipo de recurso:: Trabajo de grado de pregrado

Fecha de publicación:: 2023

Institución:: Universidad Autónoma de Bucaramanga - UNAB

Repositorio:: Repositorio UNAB

Idioma:: spa

id	UNAB2_2e97928c88ea8fdfcc64af8596a936d2
oai_identifier_str	oai:repository.unab.edu.co:20.500.12749/23444
network_acronym_str	UNAB2
network_name_str	Repositorio UNAB
repository_id_str
dc.title.spa.fl_str_mv	Desarrollo de un sistema de clasificación de patrones de anticuerpos antinucleares en pruebas de inmunofluorescencia indirecta (IFI) utilizando técnicas de inteligencia artificial
dc.title.translated.spa.fl_str_mv	Development of a classification system for antinuclear antibody patterns in indirect immunofluorescence (iif) tests using artificial intelligence techniques
title	Desarrollo de un sistema de clasificación de patrones de anticuerpos antinucleares en pruebas de inmunofluorescencia indirecta (IFI) utilizando técnicas de inteligencia artificial
spellingShingle	Desarrollo de un sistema de clasificación de patrones de anticuerpos antinucleares en pruebas de inmunofluorescencia indirecta (IFI) utilizando técnicas de inteligencia artificial Biomedical engineering Engineering Medical electronics Biological physics Bioengineering Medical instruments and apparatus Medicine Biomedical Clinical engineering Deep learning Machine learning Immunological techniques Fluorescence Machine theory Simulation methods Ingeniería biomédica Ingeniería Biofísica Bioingeniería Medicina Biomédica Técnicas inmunológicas Fluorescencia Teoría de las máquinas Métodos de simulación Sistema de clasificación Patrones de anticuerpos antinucleares Inmunofluorescencia Indirecta (IFI) Procesamiento de imagenes Inteligencia artificial
title_short	Desarrollo de un sistema de clasificación de patrones de anticuerpos antinucleares en pruebas de inmunofluorescencia indirecta (IFI) utilizando técnicas de inteligencia artificial
title_full	Desarrollo de un sistema de clasificación de patrones de anticuerpos antinucleares en pruebas de inmunofluorescencia indirecta (IFI) utilizando técnicas de inteligencia artificial
title_fullStr	Desarrollo de un sistema de clasificación de patrones de anticuerpos antinucleares en pruebas de inmunofluorescencia indirecta (IFI) utilizando técnicas de inteligencia artificial
title_full_unstemmed	Desarrollo de un sistema de clasificación de patrones de anticuerpos antinucleares en pruebas de inmunofluorescencia indirecta (IFI) utilizando técnicas de inteligencia artificial
title_sort	Desarrollo de un sistema de clasificación de patrones de anticuerpos antinucleares en pruebas de inmunofluorescencia indirecta (IFI) utilizando técnicas de inteligencia artificial
dc.creator.fl_str_mv	Bernal Garnica, Adrian Felipe Bernal Rangel, Jhojan David
dc.contributor.advisor.none.fl_str_mv	Franco Arias, Manuel Hernando Arizmendi Pereira, Carlos Julio Salazar Villamizar, Mary Elízabeth
dc.contributor.author.none.fl_str_mv	Bernal Garnica, Adrian Felipe Bernal Rangel, Jhojan David
dc.contributor.cvlac.spa.fl_str_mv	Franco Arias, Manuel Hernando [0001427755] Arizmendi Pereira, Carlos Julio [1381550] Salazar Villamizar, Mary Elízabeth [0001546256]
dc.contributor.googlescholar.spa.fl_str_mv	Arizmendi Pereira, Carlos Julio [JgT_je0AAAAJ]
dc.contributor.orcid.spa.fl_str_mv	Salazar Villamizar, Mary Elízabeth [0000-0002-4112-6617]
dc.contributor.scopus.spa.fl_str_mv	Arizmendi Pereira, Carlos Julio [16174088500]
dc.contributor.researchgate.spa.fl_str_mv	Arizmendi Pereira, Carlos Julio [Carlos_Arizmendi2]
dc.contributor.researchgroup.spa.fl_str_mv	Centro de Investigación en Biotecnología, Bioética y Ambiente - CINBBYA
dc.contributor.apolounab.spa.fl_str_mv	Franco Arias, Manuel Hernando [manuel-hernando-franco-arias] Arizmendi Pereira, Carlos Julio [carlos-julio-arizmendi-pereira]
dc.subject.keywords.spa.fl_str_mv	Biomedical engineering Engineering Medical electronics Biological physics Bioengineering Medical instruments and apparatus Medicine Biomedical Clinical engineering Deep learning Machine learning Immunological techniques Fluorescence Machine theory Simulation methods
topic	Biomedical engineering Engineering Medical electronics Biological physics Bioengineering Medical instruments and apparatus Medicine Biomedical Clinical engineering Deep learning Machine learning Immunological techniques Fluorescence Machine theory Simulation methods Ingeniería biomédica Ingeniería Biofísica Bioingeniería Medicina Biomédica Técnicas inmunológicas Fluorescencia Teoría de las máquinas Métodos de simulación Sistema de clasificación Patrones de anticuerpos antinucleares Inmunofluorescencia Indirecta (IFI) Procesamiento de imagenes Inteligencia artificial
dc.subject.lemb.spa.fl_str_mv	Ingeniería biomédica Ingeniería Biofísica Bioingeniería Medicina Biomédica Técnicas inmunológicas Fluorescencia Teoría de las máquinas Métodos de simulación
dc.subject.proposal.spa.fl_str_mv	Sistema de clasificación Patrones de anticuerpos antinucleares Inmunofluorescencia Indirecta (IFI) Procesamiento de imagenes Inteligencia artificial
description	Esta tesis de grado presenta un enfoque innovador para mejorar la detección de enfermedades autoinmunes mediante la aplicación de técnicas avanzadas de inteligencia artificial (IA), específicamente enfocadas en el aprendizaje profundo (deep learning) y el aprendizaje automático (machine learning), utilizando redes neuronales y Support Vector Machine (SVM). La identificación de patrones de anticuerpos antinucleares (ANA) en muestras de inmunofluorescencia indirecta (IFI) ha sido tradicionalmente un proceso que requiere habilidades especializadas y puede ser propenso a errores. En esta investigación, se propone la construcción de un banco de imágenes utilizando el equipo Helios Quimiolab y la implementación de técnicas avanzadas de procesamiento de imágenes, incluyendo algoritmos de deep learning y machine learning, para lograr una clasificación automatizada de los patrones de ANA. Además, se plantea el desarrollo de una interfaz gráfica que facilite la visualización y clasificación de estos patrones, siguiendo la nomenclatura internacional de ANA Patterns. Este enfoque tiene como objetivo principal mejorar la eficiencia y precisión en el diagnóstico de enfermedades autoinmunes, con el potencial de reducir los tiempos de respuesta en el laboratorio clínico. La integración de técnicas de deep learning y machine learning en el proceso de análisis de imágenes constituye un elemento clave para la optimización del sistema propuesto, permitiendo una mayor capacidad de reconocimiento de patrones y una mejora en la precisión del diagnóstico. Este trabajo representa un avance significativo en el campo de la medicina diagnóstica, al combinar la vanguardia en IA con las necesidades prácticas del diagnóstico clínico, con potenciales beneficios para la salud pública y la calidad de vida de los pacientes.
publishDate	2023
dc.date.issued.none.fl_str_mv	2023-11-22
dc.date.accessioned.none.fl_str_mv	2024-02-09T15:38:14Z
dc.date.available.none.fl_str_mv	2024-02-09T15:38:14Z
dc.type.driver.none.fl_str_mv	info:eu-repo/semantics/bachelorThesis
dc.type.local.spa.fl_str_mv	Trabajo de Grado
dc.type.coar.none.fl_str_mv	http://purl.org/coar/resource_type/c_7a1f
dc.type.hasversion.none.fl_str_mv	info:eu-repo/semantics/acceptedVersion
dc.type.redcol.none.fl_str_mv	http://purl.org/redcol/resource_type/TP
format	http://purl.org/coar/resource_type/c_7a1f
status_str	acceptedVersion
dc.identifier.uri.none.fl_str_mv	http://hdl.handle.net/20.500.12749/23444
dc.identifier.instname.spa.fl_str_mv	instname:Universidad Autónoma de Bucaramanga - UNAB
dc.identifier.reponame.spa.fl_str_mv	reponame:Repositorio Institucional UNAB
dc.identifier.repourl.spa.fl_str_mv	repourl:https://repository.unab.edu.co
url	http://hdl.handle.net/20.500.12749/23444
identifier_str_mv	instname:Universidad Autónoma de Bucaramanga - UNAB reponame:Repositorio Institucional UNAB repourl:https://repository.unab.edu.co
dc.language.iso.spa.fl_str_mv	spa
language	spa
dc.relation.references.spa.fl_str_mv	A. Marcano J. Quintanilla, M. C. (2010). Feature selection using Sequential Forward Selection and classification applying Artificial Metaplasticity Neural Network. IECON. Abandono (redes neuronales). (s.f.). Obtenido de Wikipedia: https://es.wikipedia.org/wiki/Abandono_%28redes_neuronales%29 B. Krawczyk, M. G. (2016). Evolutionary un-dersampling boosting for imbalanced classification of breast cancer malignancy . Applied Soft Computing. Baldung. (2022). Multiclass Classification Using Support Vector Machines. Chueca Rodríguez, M. I. (2023). Diagnóstico de laboratorio, enfermedades y profilaxis de la salud. Lab Tests Online, Sociedad Española de Medicina de Laboratorio (SEQCML). Ciberseguridad. (s.f.). ¿Qué es PyTorch? Todo lo que debes saber. Obtenido de Ciberseguridad: https://ciberseguridad.com/guias/nuevas-tecnologias/machine-learning/pytorch/ Cruz, P. (2010). Inteligencia artificial con aplicaciones a la ingeniería. Alfaomega. Primera edición. D. BS1, K. S. (2016). HEp-2 cell classification using artificial neural networkapproach. Karpagam University, Coimbatore, India. D. Gragnaniello, C. S. (2014). Biologically-inspired dense local descriptor for indirect immunofluorescence image classification. Universitá Federico II di Napoli. Naples, Italy. D. Huang, Y. W. (2011). Local Binary Patterns and Its Application to Facial Image Analyis: A Survey. Beihang University, China. E.K.L. Chan, J. D. (2015). Report of the First International Consensus on Standardized Nomenclature of Antinuclear Antibody HEp-2 Cell Patterns . Gandhi, R. (2018). Support Vector Machine - Introduction to Machine Learning Algorithms. Towards Data Science. González, R. C. (2008). Procesamiento digital de imágenes. Pearson Education. H. Tran Hong, A. K. (2016). Transfer learning of a convolutional neural network for Hep-2 cell image classification. The University of Sydney, Australia. I. Izonin, R. T. (2017). Towards Data Normalization task for the efficient mining of Medical Data. Liviv Polytechnic National University. IBM. (s.f.). IBM. Obtenido de ¿Qué es Deep Learning?: https://www.ibm.com/es-es/topics/deep learning IBM. (s.f.). IBM. Obtenido de ¿Qué son las redes neuronales convolucionales?: https://www.ibm.com/mx-es/topics/convolutional-neural-networks Ignite, M. (2023). Componente Normalizar Datos. Machine Learning. J. Cabiedes, C. A.-Á. (2010). Anticuerpos antinucleares. Reumatología y Colegio Mexicano de Reumatología. Jiang, J. (2023). CT Image Recognition of COVID-19 Based on Improved Resnet Model. IEEE. Jordan, M. I. (2015). Machine learning: Trends, perspectives, and prospects. Science. K. Devanathan, N. G. (2019). Binary Grey Wolf Optimizer based Feature Selection for Nucleolar and Centromere Staining Pattern Classification in Indirect Immunofluorescence Images. Institute of Technology Madras. Chennai, India. KeepCoding. (30 de 08 de 2022). KeepCoding Tech School. Obtenido de Visualización de activaciones y filtros en red convolucional: https://keepcoding.io/blog/visualizacion activaciones-filtros/ Kohli, M. P. (2017). Implementing machine learning in radiology practice and research. 111 American journal of roentgenology. Kumar, S. (2021). Techniques to work with Imbalanced Data in Machine Learning. Towards Data Science. Kundu, R. (2023). Image Processing: Techniques, Types, & Applications. Blog Image Processing Guide. L. Nanni, M. P. (2014). Indirect immunofluorescence image classification using texture descriptors. University of Padua. Padua, Italy. Lowe, D. (2023). Distinctive Image Features from Sacale-Invariant Keypoints. International Journal of Computer Vision, Vol 60. MathWorks. (s.f.). Entrenar una red neuronal convolucional para regresión. Obtenido de MathWorks: https://la.mathworks.com/help/deeplearning/ug/train-a-convolutional-neural network-for-regression.html Nacelle, A. (2009). Redes neuronales artificiales. Universidad de la república, Facultad de ingeniería. Uruguay. Ng, S. (2017). Principal component analysis to reduce dimension on digital image. SEGi University, Macau, China. Python Software, F. (2021). Módulo os de Python. Recuperado de la documentación oficial de Python. Python Software, F. (2021). Python Language Reference, versión 3.9.4. Recuperado de la página oficial de Python. R. Mohammed, J. R. (2020). Machine Learning with Oversampling and Undersampling Techniques. Jordan University of Science and Technology. Jordan. Ramírez, D. F. (2010). Técnicas inmunológicas que apoyan el diagnóstico de las enfermedades autoinmunes. Reumatología Clínica Rouhiainem, L. (2018). “Inteligencia artificial, 101 cosas que debes saber hoy sobre el futuro. Editorial Planeta. España. S. Cataldo, A. B. (2013). Applying Textural Features to the Classification of HEp-2 Cell Patterns in IIF images. International Conference on Pattern Recognition. Tsukuba, Japan S. Manivannan, W. L. (2014). HEp-2 Cell Classification using Multi-resolution Local Patterns and Ensemble SVM. University of Dundee, UK. S. Manivannan, W. L. (2016). An automated pattern recognition system for classifying indirect immunofluorescence images of HEp-2 cells and specimens. University of Dundee. UK. S. Yadav, S. S. (2016). Analysis of k-fold cross-validation over hold-out validation on colossal datasets for quality classification . Institute of Technology. Bhopal, Madhya. S.C, N. (2017). Principal component analysis to reduce dimension on digital image. SEGi University, Macau, China. Siddique, A. (2023). Exploring KNN with Different Distance Metrics. Dev Genius. Srivastava, N., Hinton, G., Krizhevsky, A., Sutskever, I., & Salakhutdinov, R. (2014). Dropout: A Simple Way to Prevent Neural Networks from Overfitting. Journal of Machine Learning Research. T, K. (2020). Principal Component Analysis (PCA) . Computer Vision. Springer, Cham. TensorFlow. (26 de 01 de 2022). Aumento de datos. Obtenido de TensorFlow: https://www.tensorflow.org/tutorials/images/data_augmentation?hl=es-419 TensorFlow. (24 de 01 de 2022). Keras. Obtenido de TensorFlow: https://www.tensorflow.org/guide/keras?hl=es-419 Tokio School. (05 de 07 de 2022). Analizamos qué es y para qué se usa el Transfer Learning en el Deep Learning. Obtenido de Tokio School: https://www.tokioschool.com/noticias/transfer-learning/ Villa, F., Velásquez, J., & Sánchez, P. (2015). Control del sobreajuste en redes neuronales tipo cascada correlación aplicado a la predicción de precios de contratos de electricidad. Revista Ingenierías Universidad de Medellín, 26. Y. Kurniawati, A. P. (2018). Adaptive Synthetic - Nominal (Adasyn-N) and Adaptative Synthetic - KNN (ADASYNKNN) for Multiclas Imbalance Learning on Laboratory Test Data. University Gadjah. Yi-Chu Huang, C.-W. C.-L. (2009). HEp-2 Cell Classification in Indirect mmunofluorescence Images. Tunghai University. Taichung, Taiwan. Ying, N. D. (2015). An Evaluation of LBP Texture Descriptors for the Classification of HEp-2 cells. IEEE International Conference on Systems, Man, and Cybernetics. Z. Gao, J. Z. (2014). HEp-2 Cell Image Classification with Convolutional Neural Networks. University of Wollongong Wollongong, Australia.
dc.relation.uriapolo.spa.fl_str_mv	https://apolo.unab.edu.co/en/persons/manuel-hernando-franco-arias
dc.rights.coar.fl_str_mv	http://purl.org/coar/access_right/c_14cb
dc.rights.uri.*.fl_str_mv	http://creativecommons.org/licenses/by-nc-nd/2.5/co/
dc.rights.local.spa.fl_str_mv	Abierto (Texto Completo)
dc.rights.creativecommons.*.fl_str_mv	Atribución-NoComercial-SinDerivadas 2.5 Colombia
rights_invalid_str_mv	http://creativecommons.org/licenses/by-nc-nd/2.5/co/ Abierto (Texto Completo) Atribución-NoComercial-SinDerivadas 2.5 Colombia http://purl.org/coar/access_right/c_14cb
dc.format.mimetype.spa.fl_str_mv	application/pdf
dc.coverage.spatial.spa.fl_str_mv	Bucaramanga (Santander, Colombia)
dc.coverage.temporal.spa.fl_str_mv	01/06/2023 - 15/12/2023
dc.coverage.campus.spa.fl_str_mv	UNAB Campus Bucaramanga
dc.publisher.grantor.spa.fl_str_mv	Universidad Autónoma de Bucaramanga UNAB
dc.publisher.faculty.spa.fl_str_mv	Facultad Ingeniería
dc.publisher.program.spa.fl_str_mv	Pregrado Ingeniería Biomédica
institution	Universidad Autónoma de Bucaramanga - UNAB
bitstream.url.fl_str_mv	https://repository.unab.edu.co/bitstream/20.500.12749/23444/6/license.txt https://repository.unab.edu.co/bitstream/20.500.12749/23444/1/Tesis.pdf https://repository.unab.edu.co/bitstream/20.500.12749/23444/7/Licencia.pdf https://repository.unab.edu.co/bitstream/20.500.12749/23444/8/Tesis.pdf.jpg https://repository.unab.edu.co/bitstream/20.500.12749/23444/9/Licencia.pdf.jpg
bitstream.checksum.fl_str_mv	3755c0cfdb77e29f2b9125d7a45dd316 207b49c258fe47b6095d3657970aa4bf 6a0b297d99dc6929041f648508438167 f23042e35d68dae8e207ac7200981123 e1364fec2c5dad44f051042b5e60ac6b
bitstream.checksumAlgorithm.fl_str_mv	MD5 MD5 MD5 MD5 MD5
repository.name.fl_str_mv	Repositorio Institucional \| Universidad Autónoma de Bucaramanga - UNAB
repository.mail.fl_str_mv	repositorio@unab.edu.co
_version_	1814277259896291328
spelling	Franco Arias, Manuel Hernandof54597c9-3b82-4525-9a23-1cf6369a6a66Arizmendi Pereira, Carlos Julio79e0125f-b191-4144-999b-281177ddaaf9Salazar Villamizar, Mary Elízabeth9a17446c-4893-41e2-a75f-915cd9e258eaBernal Garnica, Adrian Felipe556ca790-5c12-4171-b1e8-8def42de6750Bernal Rangel, Jhojan Davidac9f6197-84c2-43a8-bc0d-88cdaf18d69aFranco Arias, Manuel Hernando [0001427755]Arizmendi Pereira, Carlos Julio [1381550]Salazar Villamizar, Mary Elízabeth [0001546256]Arizmendi Pereira, Carlos Julio [JgT_je0AAAAJ]Salazar Villamizar, Mary Elízabeth [0000-0002-4112-6617]Arizmendi Pereira, Carlos Julio [16174088500]Arizmendi Pereira, Carlos Julio [Carlos_Arizmendi2]Centro de Investigación en Biotecnología, Bioética y Ambiente - CINBBYAFranco Arias, Manuel Hernando [manuel-hernando-franco-arias]Arizmendi Pereira, Carlos Julio [carlos-julio-arizmendi-pereira]Bucaramanga (Santander, Colombia)01/06/2023 - 15/12/2023UNAB Campus Bucaramanga2024-02-09T15:38:14Z2024-02-09T15:38:14Z2023-11-22http://hdl.handle.net/20.500.12749/23444instname:Universidad Autónoma de Bucaramanga - UNABreponame:Repositorio Institucional UNABrepourl:https://repository.unab.edu.coEsta tesis de grado presenta un enfoque innovador para mejorar la detección de enfermedades autoinmunes mediante la aplicación de técnicas avanzadas de inteligencia artificial (IA), específicamente enfocadas en el aprendizaje profundo (deep learning) y el aprendizaje automático (machine learning), utilizando redes neuronales y Support Vector Machine (SVM). La identificación de patrones de anticuerpos antinucleares (ANA) en muestras de inmunofluorescencia indirecta (IFI) ha sido tradicionalmente un proceso que requiere habilidades especializadas y puede ser propenso a errores. En esta investigación, se propone la construcción de un banco de imágenes utilizando el equipo Helios Quimiolab y la implementación de técnicas avanzadas de procesamiento de imágenes, incluyendo algoritmos de deep learning y machine learning, para lograr una clasificación automatizada de los patrones de ANA. Además, se plantea el desarrollo de una interfaz gráfica que facilite la visualización y clasificación de estos patrones, siguiendo la nomenclatura internacional de ANA Patterns. Este enfoque tiene como objetivo principal mejorar la eficiencia y precisión en el diagnóstico de enfermedades autoinmunes, con el potencial de reducir los tiempos de respuesta en el laboratorio clínico. La integración de técnicas de deep learning y machine learning en el proceso de análisis de imágenes constituye un elemento clave para la optimización del sistema propuesto, permitiendo una mayor capacidad de reconocimiento de patrones y una mejora en la precisión del diagnóstico. Este trabajo representa un avance significativo en el campo de la medicina diagnóstica, al combinar la vanguardia en IA con las necesidades prácticas del diagnóstico clínico, con potenciales beneficios para la salud pública y la calidad de vida de los pacientes.Capítulo I - Aspectos generales..................................................................................................... 14 Descripción del problema ................................................................................................. 14 Justificación del problema ................................................................................................ 15 Objetivo general................................................................................................................ 17 Objetivos específicos................................................................................................ 17 Capitulo II - Marco teórico y Estado de arte................................................................................. 18 Marco teórico.................................................................................................................... 18 Anticuerpos Antinucleares........................................................................................ 18 Técnicas utilizadas para la detección de ANA.............................. 18 Inmunofluorescencia Indirecta (IFI)............................................. 19 Patrones de ANA detectados por IFI............................................. 20 Procesamiento de Imágenes...................................................................................... 25 Tipos de imágenes......................................................................... 26 Imagen RGB ..................................................................... 26 Imagen binaria .................................................................. 27 Imagen en escala de grises................................................ 28 Segmentación de la imagen .............................................. 28 Ecualización...................................................................... 29 Filtros................................................................................ 30 Técnicas de extracción de características en Imágenes ............................................ 30 Patrones binarios locales (LBP).................................................... 31 Co-occurrence matrix (GLCM) .................................................... 32 Binarizacion y segmentación de contornos................................... 33 Scale-invariant feature transform (SIFT)...................................... 34 Balanceo de clases.................................................................................................... 34 Undersampling.............................................................................. 35 Oversampling................................................................................ 35 Normalización de datos............................................................................................. 36 Reducción dimensional............................................................................................. 36 Clasificadores Machine Learning ............................................................................. 37 Redes neuronales artificiales......................................................... 38 Support Vector Machines (SVM).................................................. 39 k-Nearest Neighbor (kNN) ........................................................... 41 Deep Learning........................................................................................................... 41 Redes Neuronales Convolucionales.............................................. 42 Aumento de Datos......................................................................... 43 Dropout ......................................................................................... 44 Transferencia de Aprendizaje........................................................ 45 Estado de arte.................................................................................................................... 46 Capitulo III – Metodología ........................................................................................................... 51 Capitulo IV - Desarrollo del proyecto .......................................................................................... 54 Construcción de banco de imágenes................................................................................. 54 Organización de las imágenes ANAs con su respectiva etiqueta o patrón correspondiente ....................................................................................................................................................... 56 Definición de las marcas de clase ..................................................................................... 59 Características de los patrones de anticuerpos antinucleares que favorezcan su identificación................................................................................................................................. 64 Selección de técnicas de extracción de características de la imagen................................ 65 Selección del lenguaje....................................................................................................... 67 MATLAB para Procesamiento de Imágenes y Machine Learning:.......................... 67 Python para Gestión y Organización de Imágenes y Archivos:................................ 68 Entrenamiento de modelos................................................................................................ 69 Local Binary Patterns (LBP) – Redes Neuronales.................................................... 71 Local Binary Patterns (LBP) – Support Vector Machine.......................................... 72 Matriz de concurrencia de nivel de gris – Redes neuronales - SVM........................ 74 Propiedades de las regiones de la imagen binaria – Redes Neuronales – SVM....... 76 Normalización........................................................................................................... 81 Reducción dimensional............................................................................................. 83 Forward Selection ......................................................................... 83 Análisis de componentes principales............................................ 84 Bibliotecas de Deep Learning para CNN.................................................................. 85 Matlab para el desarrollo de la interfaz gráfica ........................................................ 86 Desarrollo de algoritmo Deep Learning de clasificación de imágenes............................. 87 Clasificadores por Deep Learning ............................................................................ 87 CNN -Simple ................................................................................ 87 Transfer learning: MobileNetV2................................................... 88 Transfer learning: ResNet50 ......................................................... 88 Desarrollo de interfaz grafica............................................................................................ 89 Funcionalidades del software.................................................................................... 90 Carga de datos:.............................................................................. 90 Visualización de datos: ................................................................. 90 Análisis de datos:.......................................................................... 90 Generación de informes:............................................................... 90 Exportación de resultados:............................................................ 90 Requisitos del sistema............................................................................................... 91 Manual de Usuario.................................................................................................... 91 Capitulo V -Pruebas, resultados y análisis.................................................................................... 92 Validación del modelo....................................................................................................... 96 Pruebas de funcionamiento del algoritmo Deep Learning de clasificación...................... 98 Deep Learning........................................................................................................... 98 CNN – Simple............................................................................... 99 Transfer Learning: MobileNetV2 ................................................. 99 Transfer Learning: ResNet50...................................................... 100 Ejecución de pruebas de interfaz gráfica integrando el modelo predictor...................... 101 Capítulo VI - Conclusiones y trabajo futuro............................................................................... 106 Trabajo Futuro................................................................................................................. 108 Bibliografía ................................................................................................................................. 109 Anexos ........................................................................................................................................ 115PregradoThis thesis presents an innovative approach to improve the detection of autoimmune diseases through the application of advanced artificial intelligence (AI) techniques, specifically focusing on deep learning and machine learning, using neural networks and Support Vector Machine (SVM). Traditionally, identifying patterns of antinuclear antibodies (ANA) in indirect immunofluorescence (IFI) samples has been a process that requires specialized skills and can be prone to errors. In this research, the construction of an image bank using the Helios Quimiolab equipment is proposed, along with the implementation of advanced image processing techniques, including deep learning and machine learning algorithms, to achieve automated classification of ANA patterns. Additionally, the development of a graphical interface to facilitate the visualization and classification of these patterns, following the international nomenclature of ANA Patterns, is suggested. This approach aims to improve efficiency and accuracy in the diagnosis of autoimmune diseases, with the potential to reduce response times in the clinical laboratory. The integration of deep learning and machine learning techniques in the image analysis process is a key element for optimizing the proposed system, allowing for greater pattern recognition capability and improved diagnostic accuracy. This work represents a significant advancement in the field of diagnostic medicine by combining cutting-edge AI with the practical needs of clinical diagnosis, with potential benefits for public health and the quality of life of patients.Modalidad Presencialapplication/pdfspahttp://creativecommons.org/licenses/by-nc-nd/2.5/co/Abierto (Texto Completo)Atribución-NoComercial-SinDerivadas 2.5 Colombiahttp://purl.org/coar/access_right/c_14cbDesarrollo de un sistema de clasificación de patrones de anticuerpos antinucleares en pruebas de inmunofluorescencia indirecta (IFI) utilizando técnicas de inteligencia artificialDevelopment of a classification system for antinuclear antibody patterns in indirect immunofluorescence (iif) tests using artificial intelligence techniquesIngeniero BiomédicoUniversidad Autónoma de Bucaramanga UNABFacultad IngenieríaPregrado Ingeniería Biomédicainfo:eu-repo/semantics/bachelorThesisTrabajo de Gradohttp://purl.org/coar/resource_type/c_7a1finfo:eu-repo/semantics/acceptedVersionhttp://purl.org/redcol/resource_type/TPBiomedical engineeringEngineeringMedical electronicsBiological physicsBioengineeringMedical instruments and apparatusMedicineBiomedicalClinical engineeringDeep learningMachine learningImmunological techniquesFluorescenceMachine theorySimulation methodsIngeniería biomédicaIngenieríaBiofísicaBioingenieríaMedicinaBiomédicaTécnicas inmunológicasFluorescenciaTeoría de las máquinasMétodos de simulaciónSistema de clasificaciónPatrones de anticuerpos antinuclearesInmunofluorescencia Indirecta (IFI)Procesamiento de imagenesInteligencia artificialA. Marcano J. Quintanilla, M. C. (2010). Feature selection using Sequential Forward Selection and classification applying Artificial Metaplasticity Neural Network. IECON.Abandono (redes neuronales). (s.f.). Obtenido de Wikipedia: https://es.wikipedia.org/wiki/Abandono_%28redes_neuronales%29B. Krawczyk, M. G. (2016). Evolutionary un-dersampling boosting for imbalanced classification of breast cancer malignancy . Applied Soft Computing.Baldung. (2022). Multiclass Classification Using Support Vector Machines.Chueca Rodríguez, M. I. (2023). Diagnóstico de laboratorio, enfermedades y profilaxis de la salud. Lab Tests Online, Sociedad Española de Medicina de Laboratorio (SEQCML).Ciberseguridad. (s.f.). ¿Qué es PyTorch? Todo lo que debes saber. Obtenido de Ciberseguridad: https://ciberseguridad.com/guias/nuevas-tecnologias/machine-learning/pytorch/Cruz, P. (2010). Inteligencia artificial con aplicaciones a la ingeniería. Alfaomega. Primera edición.D. BS1, K. S. (2016). HEp-2 cell classification using artificial neural networkapproach. Karpagam University, Coimbatore, India.D. Gragnaniello, C. S. (2014). Biologically-inspired dense local descriptor for indirect immunofluorescence image classification. Universitá Federico II di Napoli. Naples, Italy.D. Huang, Y. W. (2011). Local Binary Patterns and Its Application to Facial Image Analyis: A Survey. Beihang University, China.E.K.L. Chan, J. D. (2015). Report of the First International Consensus on Standardized Nomenclature of Antinuclear Antibody HEp-2 Cell Patterns .Gandhi, R. (2018). Support Vector Machine - Introduction to Machine Learning Algorithms. Towards Data Science.González, R. C. (2008). Procesamiento digital de imágenes. Pearson Education.H. Tran Hong, A. K. (2016). Transfer learning of a convolutional neural network for Hep-2 cell image classification. The University of Sydney, Australia.I. Izonin, R. T. (2017). Towards Data Normalization task for the efficient mining of Medical Data. Liviv Polytechnic National University.IBM. (s.f.). IBM. Obtenido de ¿Qué es Deep Learning?: https://www.ibm.com/es-es/topics/deep learningIBM. (s.f.). IBM. Obtenido de ¿Qué son las redes neuronales convolucionales?: https://www.ibm.com/mx-es/topics/convolutional-neural-networksIgnite, M. (2023). Componente Normalizar Datos. Machine Learning.J. Cabiedes, C. A.-Á. (2010). Anticuerpos antinucleares. Reumatología y Colegio Mexicano de Reumatología.Jiang, J. (2023). CT Image Recognition of COVID-19 Based on Improved Resnet Model. IEEE.Jordan, M. I. (2015). Machine learning: Trends, perspectives, and prospects. Science.K. Devanathan, N. G. (2019). Binary Grey Wolf Optimizer based Feature Selection for Nucleolar and Centromere Staining Pattern Classification in Indirect Immunofluorescence Images. Institute of Technology Madras. Chennai, India.KeepCoding. (30 de 08 de 2022). KeepCoding Tech School. Obtenido de Visualización de activaciones y filtros en red convolucional: https://keepcoding.io/blog/visualizacion activaciones-filtros/Kohli, M. P. (2017). Implementing machine learning in radiology practice and research. 111 American journal of roentgenology.Kumar, S. (2021). Techniques to work with Imbalanced Data in Machine Learning. Towards Data Science.Kundu, R. (2023). Image Processing: Techniques, Types, & Applications. Blog Image Processing Guide.L. Nanni, M. P. (2014). Indirect immunofluorescence image classification using texture descriptors. University of Padua. Padua, Italy.Lowe, D. (2023). Distinctive Image Features from Sacale-Invariant Keypoints. International Journal of Computer Vision, Vol 60.MathWorks. (s.f.). Entrenar una red neuronal convolucional para regresión. Obtenido de MathWorks: https://la.mathworks.com/help/deeplearning/ug/train-a-convolutional-neural network-for-regression.htmlNacelle, A. (2009). Redes neuronales artificiales. Universidad de la república, Facultad de ingeniería. Uruguay.Ng, S. (2017). Principal component analysis to reduce dimension on digital image. SEGi University, Macau, China.Python Software, F. (2021). Módulo os de Python. Recuperado de la documentación oficial de Python.Python Software, F. (2021). Python Language Reference, versión 3.9.4. Recuperado de la página oficial de Python.R. Mohammed, J. R. (2020). Machine Learning with Oversampling and Undersampling Techniques. Jordan University of Science and Technology. Jordan.Ramírez, D. F. (2010). Técnicas inmunológicas que apoyan el diagnóstico de las enfermedades autoinmunes. Reumatología ClínicaRouhiainem, L. (2018). “Inteligencia artificial, 101 cosas que debes saber hoy sobre el futuro. Editorial Planeta. España.S. Cataldo, A. B. (2013). Applying Textural Features to the Classification of HEp-2 Cell Patterns in IIF images. International Conference on Pattern Recognition. Tsukuba, JapanS. Manivannan, W. L. (2014). HEp-2 Cell Classification using Multi-resolution Local Patterns and Ensemble SVM. University of Dundee, UK.S. Manivannan, W. L. (2016). An automated pattern recognition system for classifying indirect immunofluorescence images of HEp-2 cells and specimens. University of Dundee. UK.S. Yadav, S. S. (2016). Analysis of k-fold cross-validation over hold-out validation on colossal datasets for quality classification . Institute of Technology. Bhopal, Madhya.S.C, N. (2017). Principal component analysis to reduce dimension on digital image. SEGi University, Macau, China.Siddique, A. (2023). Exploring KNN with Different Distance Metrics. Dev Genius.Srivastava, N., Hinton, G., Krizhevsky, A., Sutskever, I., & Salakhutdinov, R. (2014). Dropout: A Simple Way to Prevent Neural Networks from Overfitting. Journal of Machine Learning Research.T, K. (2020). Principal Component Analysis (PCA) . Computer Vision. Springer, Cham.TensorFlow. (26 de 01 de 2022). Aumento de datos. Obtenido de TensorFlow: https://www.tensorflow.org/tutorials/images/data_augmentation?hl=es-419TensorFlow. (24 de 01 de 2022). Keras. Obtenido de TensorFlow: https://www.tensorflow.org/guide/keras?hl=es-419Tokio School. (05 de 07 de 2022). Analizamos qué es y para qué se usa el Transfer Learning en el Deep Learning. Obtenido de Tokio School: https://www.tokioschool.com/noticias/transfer-learning/Villa, F., Velásquez, J., & Sánchez, P. (2015). Control del sobreajuste en redes neuronales tipo cascada correlación aplicado a la predicción de precios de contratos de electricidad. Revista Ingenierías Universidad de Medellín, 26.Y. Kurniawati, A. P. (2018). Adaptive Synthetic - Nominal (Adasyn-N) and Adaptative Synthetic - KNN (ADASYNKNN) for Multiclas Imbalance Learning on Laboratory Test Data. University Gadjah.Yi-Chu Huang, C.-W. C.-L. (2009). HEp-2 Cell Classification in Indirect mmunofluorescence Images. Tunghai University. Taichung, Taiwan.Ying, N. D. (2015). An Evaluation of LBP Texture Descriptors for the Classification of HEp-2 cells. IEEE International Conference on Systems, Man, and Cybernetics.Z. Gao, J. Z. (2014). HEp-2 Cell Image Classification with Convolutional Neural Networks. University of Wollongong Wollongong, Australia.https://apolo.unab.edu.co/en/persons/manuel-hernando-franco-ariasLICENSElicense.txtlicense.txttext/plain; charset=utf-8829https://repository.unab.edu.co/bitstream/20.500.12749/23444/6/license.txt3755c0cfdb77e29f2b9125d7a45dd316MD56open accessORIGINALTesis.pdfTesis.pdfTesisapplication/pdf11715046https://repository.unab.edu.co/bitstream/20.500.12749/23444/1/Tesis.pdf207b49c258fe47b6095d3657970aa4bfMD51open accessLicencia.pdfLicencia.pdfLicenciaapplication/pdf513057https://repository.unab.edu.co/bitstream/20.500.12749/23444/7/Licencia.pdf6a0b297d99dc6929041f648508438167MD57metadata only accessTHUMBNAILTesis.pdf.jpgTesis.pdf.jpgIM Thumbnailimage/jpeg5329https://repository.unab.edu.co/bitstream/20.500.12749/23444/8/Tesis.pdf.jpgf23042e35d68dae8e207ac7200981123MD58open accessLicencia.pdf.jpgLicencia.pdf.jpgIM Thumbnailimage/jpeg10324https://repository.unab.edu.co/bitstream/20.500.12749/23444/9/Licencia.pdf.jpge1364fec2c5dad44f051042b5e60ac6bMD59metadata only access20.500.12749/23444oai:repository.unab.edu.co:20.500.12749/234442024-02-09 22:00:22.159open accessRepositorio Institucional \| Universidad Autónoma de Bucaramanga - UNABrepositorio@unab.edu.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

Desarrollo de un sistema de clasificación de patrones de anticuerpos antinucleares en pruebas de inmunofluorescencia indirecta (IFI) utilizando técnicas de inteligencia artificial

Publicaciones similares