Eigenfungi. Desarrollo de un método de Data Mining para la detección automática de patrones en microscopía aplicada a micología médica

Autores
Ricillo, Marcela Leticia
Año de publicación
2007
Idioma
español castellano
Tipo de recurso
tesis doctoral
Estado
versión publicada
Colaborador/a o director/a de tesis
Bustos, Oscar Humberto
Soria, Marcelo Abel
Descripción
En este trabajo desarrollamos un método automático para el reconocimiento de especies de hongos microscópicos, que denominamos eigenfungi. Está basado en la metodología para reconocimiento de rostros denominada eigenfaces, a la que se le introducen varias modificaciones que mejoran su exactitud en el análisis de imágenes microscópicas de hongos. En los últimos años se registra un incremento en las infecciones causadas por hongos. Debido a la necesidad de entrenamiento específico que requiere el análisis microscópico, el diseño e implementación de herramientas informáticas que asistan al personal recibe creciente atención. Este método transforma las imágenes y aplica técnicas propias de Data Mining, considerando al conjunto de imágenes como una base de datos. Se fundamenta en la aplicación en imágenes del Análisis de Componentes Principales (PCA) que descompone datos multidimensionales a un subespacio de menor dimensión pero preservando las características esenciales de los datos tratados. No necesita de recortes manuales de los objetos por parte del experto humano y requiere de pocas imágenes para el entrenamiento. Para la elaboración y validación de la metodología, se estudiaron imágenes de hongos microscópicos de las seis especies principales de dermatofitos, obtenidas de muestras provistas por el Departamento de Micología del Instituto Nacional de Enfermedades Infecciosas (INEI), ANLIS “Carlos G. Malbrán”. Se compararon los resultados obtenidos, con variantes del algoritmo PCA (generación de multiespacios, utilización de distancia Manhattan, combinación con preprocesamientos), y posteriormente con otro método de Data Mining aplicado al reconocimiento de rostros llamado fisherfaces que se basa en el Análisis Discriminante.
In this thesis we present an automatic method for the recognition of microscopic fungi, that we called eigenfungi. This method is based on the methodology for face recognition called eigenfaces, with some modifications that improve their precision as recognizer of microscopical fungi images. In the last years an increase in the infections caused by fungi is registered. Design and implementation of computer-aided tools for staff attendance is very important, due to the necessity for specific training that microscopic analysis require. This method transforms images and applies Data Mining techniques, treating images like databases. It based on the application in images of the Principal Component Analysis (PCA). The PCA takes apart multidimensional data in a smaller dimensional subspace but preserving the principal characteristics of the data. It doesn’t need manual cuts of objects by expert humans and it requires few images for training. We compared the results with variants of PCA algorithm –generation of multi spaces, Manhattan distance, preprocessing- and then we compared the method with another Data Mining method for face recognition called fisherfaces based on Discriminant Analysis (LDA). For the construction and validation of this methodology, we studied microscopic fungus images of the six principal species of dermatophytes, obtained from samples provided by the Micology Department of Instituto Nacional de Enfermedades Infecciosas (INEI), ANLIS “Carlos G. Malbrán”.
Fil: Ricillo, Marcela Leticia. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina.
Materia
EIGENFUNGI
EIGENFACES
FISHERFACES
HONGOS MICROSCOPICOS
RECONOCIMIENTO DE PATRONES
ANALISIS DE COMPONENTES PRINCIPALES
ANALISIS DISCRIMINANTE
TRANSFORMADA DE HOTELLING
EIGENFUNGI
EIGENFACES
FISHERFACES
MICROSCOPIC FUNG
PATTERN RECOGNITION
PRINCIPAL COMPONENT ANALYSIS
DISCRIMINANT ANALYSIS
HOTELLING TRANSFORM
Nivel de accesibilidad
acceso abierto
Condiciones de uso
https://creativecommons.org/licenses/by-nc-sa/2.5/ar
Repositorio
Biblioteca Digital (UBA-FCEN)
Institución
Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales
OAI Identificador
tesis:tesis_n4318_Ricillo

id BDUBAFCEN_ba127b09d095709f3ce11186cadcec28
oai_identifier_str tesis:tesis_n4318_Ricillo
network_acronym_str BDUBAFCEN
repository_id_str 1896
network_name_str Biblioteca Digital (UBA-FCEN)
spelling Eigenfungi. Desarrollo de un método de Data Mining para la detección automática de patrones en microscopía aplicada a micología médicaRicillo, Marcela LeticiaEIGENFUNGIEIGENFACESFISHERFACESHONGOS MICROSCOPICOSRECONOCIMIENTO DE PATRONESANALISIS DE COMPONENTES PRINCIPALESANALISIS DISCRIMINANTETRANSFORMADA DE HOTELLINGEIGENFUNGIEIGENFACESFISHERFACESMICROSCOPIC FUNGPATTERN RECOGNITIONPRINCIPAL COMPONENT ANALYSISDISCRIMINANT ANALYSISHOTELLING TRANSFORMEn este trabajo desarrollamos un método automático para el reconocimiento de especies de hongos microscópicos, que denominamos eigenfungi. Está basado en la metodología para reconocimiento de rostros denominada eigenfaces, a la que se le introducen varias modificaciones que mejoran su exactitud en el análisis de imágenes microscópicas de hongos. En los últimos años se registra un incremento en las infecciones causadas por hongos. Debido a la necesidad de entrenamiento específico que requiere el análisis microscópico, el diseño e implementación de herramientas informáticas que asistan al personal recibe creciente atención. Este método transforma las imágenes y aplica técnicas propias de Data Mining, considerando al conjunto de imágenes como una base de datos. Se fundamenta en la aplicación en imágenes del Análisis de Componentes Principales (PCA) que descompone datos multidimensionales a un subespacio de menor dimensión pero preservando las características esenciales de los datos tratados. No necesita de recortes manuales de los objetos por parte del experto humano y requiere de pocas imágenes para el entrenamiento. Para la elaboración y validación de la metodología, se estudiaron imágenes de hongos microscópicos de las seis especies principales de dermatofitos, obtenidas de muestras provistas por el Departamento de Micología del Instituto Nacional de Enfermedades Infecciosas (INEI), ANLIS “Carlos G. Malbrán”. Se compararon los resultados obtenidos, con variantes del algoritmo PCA (generación de multiespacios, utilización de distancia Manhattan, combinación con preprocesamientos), y posteriormente con otro método de Data Mining aplicado al reconocimiento de rostros llamado fisherfaces que se basa en el Análisis Discriminante.In this thesis we present an automatic method for the recognition of microscopic fungi, that we called eigenfungi. This method is based on the methodology for face recognition called eigenfaces, with some modifications that improve their precision as recognizer of microscopical fungi images. In the last years an increase in the infections caused by fungi is registered. Design and implementation of computer-aided tools for staff attendance is very important, due to the necessity for specific training that microscopic analysis require. This method transforms images and applies Data Mining techniques, treating images like databases. It based on the application in images of the Principal Component Analysis (PCA). The PCA takes apart multidimensional data in a smaller dimensional subspace but preserving the principal characteristics of the data. It doesn’t need manual cuts of objects by expert humans and it requires few images for training. We compared the results with variants of PCA algorithm –generation of multi spaces, Manhattan distance, preprocessing- and then we compared the method with another Data Mining method for face recognition called fisherfaces based on Discriminant Analysis (LDA). For the construction and validation of this methodology, we studied microscopic fungus images of the six principal species of dermatophytes, obtained from samples provided by the Micology Department of Instituto Nacional de Enfermedades Infecciosas (INEI), ANLIS “Carlos G. Malbrán”.Fil: Ricillo, Marcela Leticia. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina.Universidad de Buenos Aires. Facultad de Ciencias Exactas y NaturalesBustos, Oscar HumbertoSoria, Marcelo Abel2007info:eu-repo/semantics/doctoralThesisinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_db06info:ar-repo/semantics/tesisDoctoralapplication/pdfhttps://hdl.handle.net/20.500.12110/tesis_n4318_Ricillospainfo:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by-nc-sa/2.5/arreponame:Biblioteca Digital (UBA-FCEN)instname:Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturalesinstacron:UBA-FCEN2025-09-29T13:41:04Ztesis:tesis_n4318_RicilloInstitucionalhttps://digital.bl.fcen.uba.ar/Universidad públicaNo correspondehttps://digital.bl.fcen.uba.ar/cgi-bin/oaiserver.cgiana@bl.fcen.uba.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:18962025-09-29 13:41:05.201Biblioteca Digital (UBA-FCEN) - Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturalesfalse
dc.title.none.fl_str_mv Eigenfungi. Desarrollo de un método de Data Mining para la detección automática de patrones en microscopía aplicada a micología médica
title Eigenfungi. Desarrollo de un método de Data Mining para la detección automática de patrones en microscopía aplicada a micología médica
spellingShingle Eigenfungi. Desarrollo de un método de Data Mining para la detección automática de patrones en microscopía aplicada a micología médica
Ricillo, Marcela Leticia
EIGENFUNGI
EIGENFACES
FISHERFACES
HONGOS MICROSCOPICOS
RECONOCIMIENTO DE PATRONES
ANALISIS DE COMPONENTES PRINCIPALES
ANALISIS DISCRIMINANTE
TRANSFORMADA DE HOTELLING
EIGENFUNGI
EIGENFACES
FISHERFACES
MICROSCOPIC FUNG
PATTERN RECOGNITION
PRINCIPAL COMPONENT ANALYSIS
DISCRIMINANT ANALYSIS
HOTELLING TRANSFORM
title_short Eigenfungi. Desarrollo de un método de Data Mining para la detección automática de patrones en microscopía aplicada a micología médica
title_full Eigenfungi. Desarrollo de un método de Data Mining para la detección automática de patrones en microscopía aplicada a micología médica
title_fullStr Eigenfungi. Desarrollo de un método de Data Mining para la detección automática de patrones en microscopía aplicada a micología médica
title_full_unstemmed Eigenfungi. Desarrollo de un método de Data Mining para la detección automática de patrones en microscopía aplicada a micología médica
title_sort Eigenfungi. Desarrollo de un método de Data Mining para la detección automática de patrones en microscopía aplicada a micología médica
dc.creator.none.fl_str_mv Ricillo, Marcela Leticia
author Ricillo, Marcela Leticia
author_facet Ricillo, Marcela Leticia
author_role author
dc.contributor.none.fl_str_mv Bustos, Oscar Humberto
Soria, Marcelo Abel
dc.subject.none.fl_str_mv EIGENFUNGI
EIGENFACES
FISHERFACES
HONGOS MICROSCOPICOS
RECONOCIMIENTO DE PATRONES
ANALISIS DE COMPONENTES PRINCIPALES
ANALISIS DISCRIMINANTE
TRANSFORMADA DE HOTELLING
EIGENFUNGI
EIGENFACES
FISHERFACES
MICROSCOPIC FUNG
PATTERN RECOGNITION
PRINCIPAL COMPONENT ANALYSIS
DISCRIMINANT ANALYSIS
HOTELLING TRANSFORM
topic EIGENFUNGI
EIGENFACES
FISHERFACES
HONGOS MICROSCOPICOS
RECONOCIMIENTO DE PATRONES
ANALISIS DE COMPONENTES PRINCIPALES
ANALISIS DISCRIMINANTE
TRANSFORMADA DE HOTELLING
EIGENFUNGI
EIGENFACES
FISHERFACES
MICROSCOPIC FUNG
PATTERN RECOGNITION
PRINCIPAL COMPONENT ANALYSIS
DISCRIMINANT ANALYSIS
HOTELLING TRANSFORM
dc.description.none.fl_txt_mv En este trabajo desarrollamos un método automático para el reconocimiento de especies de hongos microscópicos, que denominamos eigenfungi. Está basado en la metodología para reconocimiento de rostros denominada eigenfaces, a la que se le introducen varias modificaciones que mejoran su exactitud en el análisis de imágenes microscópicas de hongos. En los últimos años se registra un incremento en las infecciones causadas por hongos. Debido a la necesidad de entrenamiento específico que requiere el análisis microscópico, el diseño e implementación de herramientas informáticas que asistan al personal recibe creciente atención. Este método transforma las imágenes y aplica técnicas propias de Data Mining, considerando al conjunto de imágenes como una base de datos. Se fundamenta en la aplicación en imágenes del Análisis de Componentes Principales (PCA) que descompone datos multidimensionales a un subespacio de menor dimensión pero preservando las características esenciales de los datos tratados. No necesita de recortes manuales de los objetos por parte del experto humano y requiere de pocas imágenes para el entrenamiento. Para la elaboración y validación de la metodología, se estudiaron imágenes de hongos microscópicos de las seis especies principales de dermatofitos, obtenidas de muestras provistas por el Departamento de Micología del Instituto Nacional de Enfermedades Infecciosas (INEI), ANLIS “Carlos G. Malbrán”. Se compararon los resultados obtenidos, con variantes del algoritmo PCA (generación de multiespacios, utilización de distancia Manhattan, combinación con preprocesamientos), y posteriormente con otro método de Data Mining aplicado al reconocimiento de rostros llamado fisherfaces que se basa en el Análisis Discriminante.
In this thesis we present an automatic method for the recognition of microscopic fungi, that we called eigenfungi. This method is based on the methodology for face recognition called eigenfaces, with some modifications that improve their precision as recognizer of microscopical fungi images. In the last years an increase in the infections caused by fungi is registered. Design and implementation of computer-aided tools for staff attendance is very important, due to the necessity for specific training that microscopic analysis require. This method transforms images and applies Data Mining techniques, treating images like databases. It based on the application in images of the Principal Component Analysis (PCA). The PCA takes apart multidimensional data in a smaller dimensional subspace but preserving the principal characteristics of the data. It doesn’t need manual cuts of objects by expert humans and it requires few images for training. We compared the results with variants of PCA algorithm –generation of multi spaces, Manhattan distance, preprocessing- and then we compared the method with another Data Mining method for face recognition called fisherfaces based on Discriminant Analysis (LDA). For the construction and validation of this methodology, we studied microscopic fungus images of the six principal species of dermatophytes, obtained from samples provided by the Micology Department of Instituto Nacional de Enfermedades Infecciosas (INEI), ANLIS “Carlos G. Malbrán”.
Fil: Ricillo, Marcela Leticia. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina.
description En este trabajo desarrollamos un método automático para el reconocimiento de especies de hongos microscópicos, que denominamos eigenfungi. Está basado en la metodología para reconocimiento de rostros denominada eigenfaces, a la que se le introducen varias modificaciones que mejoran su exactitud en el análisis de imágenes microscópicas de hongos. En los últimos años se registra un incremento en las infecciones causadas por hongos. Debido a la necesidad de entrenamiento específico que requiere el análisis microscópico, el diseño e implementación de herramientas informáticas que asistan al personal recibe creciente atención. Este método transforma las imágenes y aplica técnicas propias de Data Mining, considerando al conjunto de imágenes como una base de datos. Se fundamenta en la aplicación en imágenes del Análisis de Componentes Principales (PCA) que descompone datos multidimensionales a un subespacio de menor dimensión pero preservando las características esenciales de los datos tratados. No necesita de recortes manuales de los objetos por parte del experto humano y requiere de pocas imágenes para el entrenamiento. Para la elaboración y validación de la metodología, se estudiaron imágenes de hongos microscópicos de las seis especies principales de dermatofitos, obtenidas de muestras provistas por el Departamento de Micología del Instituto Nacional de Enfermedades Infecciosas (INEI), ANLIS “Carlos G. Malbrán”. Se compararon los resultados obtenidos, con variantes del algoritmo PCA (generación de multiespacios, utilización de distancia Manhattan, combinación con preprocesamientos), y posteriormente con otro método de Data Mining aplicado al reconocimiento de rostros llamado fisherfaces que se basa en el Análisis Discriminante.
publishDate 2007
dc.date.none.fl_str_mv 2007
dc.type.none.fl_str_mv info:eu-repo/semantics/doctoralThesis
info:eu-repo/semantics/publishedVersion
http://purl.org/coar/resource_type/c_db06
info:ar-repo/semantics/tesisDoctoral
format doctoralThesis
status_str publishedVersion
dc.identifier.none.fl_str_mv https://hdl.handle.net/20.500.12110/tesis_n4318_Ricillo
url https://hdl.handle.net/20.500.12110/tesis_n4318_Ricillo
dc.language.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
https://creativecommons.org/licenses/by-nc-sa/2.5/ar
eu_rights_str_mv openAccess
rights_invalid_str_mv https://creativecommons.org/licenses/by-nc-sa/2.5/ar
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales
publisher.none.fl_str_mv Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales
dc.source.none.fl_str_mv reponame:Biblioteca Digital (UBA-FCEN)
instname:Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales
instacron:UBA-FCEN
reponame_str Biblioteca Digital (UBA-FCEN)
collection Biblioteca Digital (UBA-FCEN)
instname_str Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales
instacron_str UBA-FCEN
institution UBA-FCEN
repository.name.fl_str_mv Biblioteca Digital (UBA-FCEN) - Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales
repository.mail.fl_str_mv ana@bl.fcen.uba.ar
_version_ 1844618699735040001
score 13.070432