Aplicación de técnicas de Inteligencia Artificial ("Deep Learning") para clasificación y conteo de parásitos

Autores
Alarcos, Ana Julia; Timi, Juan Tomas; Fiorentini, Leonardo S.
Año de publicación
2019
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
Grillotia carvajalregorum es una especie de cestode ampliamente distribuido entre los peces teleósteos del Atlántico Sudoccidental, que cumplen el rol de hospedadores intermediaros o paraténicos. Se enquistan en grandes números en sus tejidos, por lo que su conteo resulta dificultoso en numerosos casos. Con el objetivo de agilizar el registro de estos parásitos se implementó una aplicación con tecnología de “deep learning” para el reconocimiento de quistes de dicha especie, presentes en el tejido parasitado del hospedador. Para la toma de imágenes digitales se utilizó como especie de hospedador-modelo a la anchoa de banco Pomatomus saltatrix. La metodología aplicada se trata de un modelo de redes neuronales artificiales que imita a las neuronas biológicas, conectadas entre sí y trabajando en conjunto, aprendiendo sobre el proceso (fase de entrenamiento de la red neuronal). Dados ciertos parámetros (hiperparámetros en la terminología de “deep learning”) de la red neuronal, existe una forma de combinarlos para predecir un cierto resultado (etapa de inferencia), siendo el desafío descubrir los valores de dichos parámetros. En el presente estudio se realizó la clasificación de los quistes de G. carvajalregorum en imágenes de entrenamiento (ubicación, tipo de quiste, etc.). Luego, se entrenó una red neuronal de tipo ResNet con 10 épocas de entrenamiento y se obtuvo una eficacia de entrenamiento del 97%. Posteriormente, se validó el modelo entrenado con 5 imágenes nuevas (que no pertenecen al lote de entrenamiento) y se obtuvo una precisión de detección del 95,9%. Este estudio resulta novedoso en ictioparasitología ya que sólo existen algunos antecedentes en la aplicación de este tipo de tecnología en medicina. Se pretende avanzar en el desarrollo del proyecto para poder lograr un buen entrenamiento de la red neuronal, mejorar la eficiencia en el conteo y poder aplicarlo en el resto de las especies de peces marinos que albergan este parásito. Además, con el avance, será posible realizar una aplicación móvil de fácil y práctico uso en los muestreos de rutina de laboratorio. Este proyecto se logra gracias a la articulación entre investigadores de parasitología y Software del Centro, empresa especializada en inteligencia artificial.
Fil: Alarcos, Ana Julia. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Mar del Plata. Instituto de Investigaciones Marinas y Costeras. Universidad Nacional de Mar del Plata. Facultad de Ciencias Exactas y Naturales. Instituto de Investigaciones Marinas y Costeras; Argentina
Fil: Timi, Juan Tomas. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Mar del Plata. Instituto de Investigaciones Marinas y Costeras. Universidad Nacional de Mar del Plata. Facultad de Ciencias Exactas y Naturales. Instituto de Investigaciones Marinas y Costeras; Argentina
Fil: Fiorentini, Leonardo S.. Universidad Nacional de Mar del Plata. Facultad de Ciencias Exactas y Naturales. Departamento de Biología; Argentina
VIII Congreso Argentino de Parasitología
Corrientes
Argentina
Universidad Nacional del Nordeste. Facultad de Ciencias Exactas y Naturales y Agrimensura. Facultad de Odontología
Materia
POMATOMUS SALTATRIX
PARÁSITOS
PECES MARINOS
"DEEP LEARNING"
REDES NEURONALES ARTIFICIALES
Nivel de accesibilidad
acceso abierto
Condiciones de uso
https://creativecommons.org/licenses/by-nc-sa/2.5/ar/
Repositorio
CONICET Digital (CONICET)
Institución
Consejo Nacional de Investigaciones Científicas y Técnicas
OAI Identificador
oai:ri.conicet.gov.ar:11336/184406

id CONICETDig_caa13e436f83ee62a0ac239b7ae2cf8a
oai_identifier_str oai:ri.conicet.gov.ar:11336/184406
network_acronym_str CONICETDig
repository_id_str 3498
network_name_str CONICET Digital (CONICET)
spelling Aplicación de técnicas de Inteligencia Artificial ("Deep Learning") para clasificación y conteo de parásitosAlarcos, Ana JuliaTimi, Juan TomasFiorentini, Leonardo S.POMATOMUS SALTATRIXPARÁSITOSPECES MARINOS"DEEP LEARNING"REDES NEURONALES ARTIFICIALEShttps://purl.org/becyt/ford/1.6https://purl.org/becyt/ford/1Grillotia carvajalregorum es una especie de cestode ampliamente distribuido entre los peces teleósteos del Atlántico Sudoccidental, que cumplen el rol de hospedadores intermediaros o paraténicos. Se enquistan en grandes números en sus tejidos, por lo que su conteo resulta dificultoso en numerosos casos. Con el objetivo de agilizar el registro de estos parásitos se implementó una aplicación con tecnología de “deep learning” para el reconocimiento de quistes de dicha especie, presentes en el tejido parasitado del hospedador. Para la toma de imágenes digitales se utilizó como especie de hospedador-modelo a la anchoa de banco Pomatomus saltatrix. La metodología aplicada se trata de un modelo de redes neuronales artificiales que imita a las neuronas biológicas, conectadas entre sí y trabajando en conjunto, aprendiendo sobre el proceso (fase de entrenamiento de la red neuronal). Dados ciertos parámetros (hiperparámetros en la terminología de “deep learning”) de la red neuronal, existe una forma de combinarlos para predecir un cierto resultado (etapa de inferencia), siendo el desafío descubrir los valores de dichos parámetros. En el presente estudio se realizó la clasificación de los quistes de G. carvajalregorum en imágenes de entrenamiento (ubicación, tipo de quiste, etc.). Luego, se entrenó una red neuronal de tipo ResNet con 10 épocas de entrenamiento y se obtuvo una eficacia de entrenamiento del 97%. Posteriormente, se validó el modelo entrenado con 5 imágenes nuevas (que no pertenecen al lote de entrenamiento) y se obtuvo una precisión de detección del 95,9%. Este estudio resulta novedoso en ictioparasitología ya que sólo existen algunos antecedentes en la aplicación de este tipo de tecnología en medicina. Se pretende avanzar en el desarrollo del proyecto para poder lograr un buen entrenamiento de la red neuronal, mejorar la eficiencia en el conteo y poder aplicarlo en el resto de las especies de peces marinos que albergan este parásito. Además, con el avance, será posible realizar una aplicación móvil de fácil y práctico uso en los muestreos de rutina de laboratorio. Este proyecto se logra gracias a la articulación entre investigadores de parasitología y Software del Centro, empresa especializada en inteligencia artificial.Fil: Alarcos, Ana Julia. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Mar del Plata. Instituto de Investigaciones Marinas y Costeras. Universidad Nacional de Mar del Plata. Facultad de Ciencias Exactas y Naturales. Instituto de Investigaciones Marinas y Costeras; ArgentinaFil: Timi, Juan Tomas. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Mar del Plata. Instituto de Investigaciones Marinas y Costeras. Universidad Nacional de Mar del Plata. Facultad de Ciencias Exactas y Naturales. Instituto de Investigaciones Marinas y Costeras; ArgentinaFil: Fiorentini, Leonardo S.. Universidad Nacional de Mar del Plata. Facultad de Ciencias Exactas y Naturales. Departamento de Biología; ArgentinaVIII Congreso Argentino de ParasitologíaCorrientesArgentinaUniversidad Nacional del Nordeste. Facultad de Ciencias Exactas y Naturales y Agrimensura. Facultad de OdontologíaAsociación Parasitológica Argentina2019info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/conferenceObjectCongresoJournalhttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdfapplication/pdfapplication/pdfapplication/pdfhttp://hdl.handle.net/11336/184406Aplicación de técnicas de Inteligencia Artificial ("Deep Learning") para clasificación y conteo de parásitos; VIII Congreso Argentino de Parasitología; Corrientes; Argentina; 2019; 132-1322313-9862CONICET DigitalCONICETspainfo:eu-repo/semantics/altIdentifier/url/www.revargparasitologia.com.arinfo:eu-repo/semantics/altIdentifier/url/http://www.revargparasitologia.com.ar/pdf/RevArgParasitol_VIII_CAP.pdfNacionalinfo:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by-nc-sa/2.5/ar/reponame:CONICET Digital (CONICET)instname:Consejo Nacional de Investigaciones Científicas y Técnicas2025-09-03T09:49:55Zoai:ri.conicet.gov.ar:11336/184406instacron:CONICETInstitucionalhttp://ri.conicet.gov.ar/Organismo científico-tecnológicoNo correspondehttp://ri.conicet.gov.ar/oai/requestdasensio@conicet.gov.ar; lcarlino@conicet.gov.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:34982025-09-03 09:49:55.528CONICET Digital (CONICET) - Consejo Nacional de Investigaciones Científicas y Técnicasfalse
dc.title.none.fl_str_mv Aplicación de técnicas de Inteligencia Artificial ("Deep Learning") para clasificación y conteo de parásitos
title Aplicación de técnicas de Inteligencia Artificial ("Deep Learning") para clasificación y conteo de parásitos
spellingShingle Aplicación de técnicas de Inteligencia Artificial ("Deep Learning") para clasificación y conteo de parásitos
Alarcos, Ana Julia
POMATOMUS SALTATRIX
PARÁSITOS
PECES MARINOS
"DEEP LEARNING"
REDES NEURONALES ARTIFICIALES
title_short Aplicación de técnicas de Inteligencia Artificial ("Deep Learning") para clasificación y conteo de parásitos
title_full Aplicación de técnicas de Inteligencia Artificial ("Deep Learning") para clasificación y conteo de parásitos
title_fullStr Aplicación de técnicas de Inteligencia Artificial ("Deep Learning") para clasificación y conteo de parásitos
title_full_unstemmed Aplicación de técnicas de Inteligencia Artificial ("Deep Learning") para clasificación y conteo de parásitos
title_sort Aplicación de técnicas de Inteligencia Artificial ("Deep Learning") para clasificación y conteo de parásitos
dc.creator.none.fl_str_mv Alarcos, Ana Julia
Timi, Juan Tomas
Fiorentini, Leonardo S.
author Alarcos, Ana Julia
author_facet Alarcos, Ana Julia
Timi, Juan Tomas
Fiorentini, Leonardo S.
author_role author
author2 Timi, Juan Tomas
Fiorentini, Leonardo S.
author2_role author
author
dc.subject.none.fl_str_mv POMATOMUS SALTATRIX
PARÁSITOS
PECES MARINOS
"DEEP LEARNING"
REDES NEURONALES ARTIFICIALES
topic POMATOMUS SALTATRIX
PARÁSITOS
PECES MARINOS
"DEEP LEARNING"
REDES NEURONALES ARTIFICIALES
purl_subject.fl_str_mv https://purl.org/becyt/ford/1.6
https://purl.org/becyt/ford/1
dc.description.none.fl_txt_mv Grillotia carvajalregorum es una especie de cestode ampliamente distribuido entre los peces teleósteos del Atlántico Sudoccidental, que cumplen el rol de hospedadores intermediaros o paraténicos. Se enquistan en grandes números en sus tejidos, por lo que su conteo resulta dificultoso en numerosos casos. Con el objetivo de agilizar el registro de estos parásitos se implementó una aplicación con tecnología de “deep learning” para el reconocimiento de quistes de dicha especie, presentes en el tejido parasitado del hospedador. Para la toma de imágenes digitales se utilizó como especie de hospedador-modelo a la anchoa de banco Pomatomus saltatrix. La metodología aplicada se trata de un modelo de redes neuronales artificiales que imita a las neuronas biológicas, conectadas entre sí y trabajando en conjunto, aprendiendo sobre el proceso (fase de entrenamiento de la red neuronal). Dados ciertos parámetros (hiperparámetros en la terminología de “deep learning”) de la red neuronal, existe una forma de combinarlos para predecir un cierto resultado (etapa de inferencia), siendo el desafío descubrir los valores de dichos parámetros. En el presente estudio se realizó la clasificación de los quistes de G. carvajalregorum en imágenes de entrenamiento (ubicación, tipo de quiste, etc.). Luego, se entrenó una red neuronal de tipo ResNet con 10 épocas de entrenamiento y se obtuvo una eficacia de entrenamiento del 97%. Posteriormente, se validó el modelo entrenado con 5 imágenes nuevas (que no pertenecen al lote de entrenamiento) y se obtuvo una precisión de detección del 95,9%. Este estudio resulta novedoso en ictioparasitología ya que sólo existen algunos antecedentes en la aplicación de este tipo de tecnología en medicina. Se pretende avanzar en el desarrollo del proyecto para poder lograr un buen entrenamiento de la red neuronal, mejorar la eficiencia en el conteo y poder aplicarlo en el resto de las especies de peces marinos que albergan este parásito. Además, con el avance, será posible realizar una aplicación móvil de fácil y práctico uso en los muestreos de rutina de laboratorio. Este proyecto se logra gracias a la articulación entre investigadores de parasitología y Software del Centro, empresa especializada en inteligencia artificial.
Fil: Alarcos, Ana Julia. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Mar del Plata. Instituto de Investigaciones Marinas y Costeras. Universidad Nacional de Mar del Plata. Facultad de Ciencias Exactas y Naturales. Instituto de Investigaciones Marinas y Costeras; Argentina
Fil: Timi, Juan Tomas. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Mar del Plata. Instituto de Investigaciones Marinas y Costeras. Universidad Nacional de Mar del Plata. Facultad de Ciencias Exactas y Naturales. Instituto de Investigaciones Marinas y Costeras; Argentina
Fil: Fiorentini, Leonardo S.. Universidad Nacional de Mar del Plata. Facultad de Ciencias Exactas y Naturales. Departamento de Biología; Argentina
VIII Congreso Argentino de Parasitología
Corrientes
Argentina
Universidad Nacional del Nordeste. Facultad de Ciencias Exactas y Naturales y Agrimensura. Facultad de Odontología
description Grillotia carvajalregorum es una especie de cestode ampliamente distribuido entre los peces teleósteos del Atlántico Sudoccidental, que cumplen el rol de hospedadores intermediaros o paraténicos. Se enquistan en grandes números en sus tejidos, por lo que su conteo resulta dificultoso en numerosos casos. Con el objetivo de agilizar el registro de estos parásitos se implementó una aplicación con tecnología de “deep learning” para el reconocimiento de quistes de dicha especie, presentes en el tejido parasitado del hospedador. Para la toma de imágenes digitales se utilizó como especie de hospedador-modelo a la anchoa de banco Pomatomus saltatrix. La metodología aplicada se trata de un modelo de redes neuronales artificiales que imita a las neuronas biológicas, conectadas entre sí y trabajando en conjunto, aprendiendo sobre el proceso (fase de entrenamiento de la red neuronal). Dados ciertos parámetros (hiperparámetros en la terminología de “deep learning”) de la red neuronal, existe una forma de combinarlos para predecir un cierto resultado (etapa de inferencia), siendo el desafío descubrir los valores de dichos parámetros. En el presente estudio se realizó la clasificación de los quistes de G. carvajalregorum en imágenes de entrenamiento (ubicación, tipo de quiste, etc.). Luego, se entrenó una red neuronal de tipo ResNet con 10 épocas de entrenamiento y se obtuvo una eficacia de entrenamiento del 97%. Posteriormente, se validó el modelo entrenado con 5 imágenes nuevas (que no pertenecen al lote de entrenamiento) y se obtuvo una precisión de detección del 95,9%. Este estudio resulta novedoso en ictioparasitología ya que sólo existen algunos antecedentes en la aplicación de este tipo de tecnología en medicina. Se pretende avanzar en el desarrollo del proyecto para poder lograr un buen entrenamiento de la red neuronal, mejorar la eficiencia en el conteo y poder aplicarlo en el resto de las especies de peces marinos que albergan este parásito. Además, con el avance, será posible realizar una aplicación móvil de fácil y práctico uso en los muestreos de rutina de laboratorio. Este proyecto se logra gracias a la articulación entre investigadores de parasitología y Software del Centro, empresa especializada en inteligencia artificial.
publishDate 2019
dc.date.none.fl_str_mv 2019
dc.type.none.fl_str_mv info:eu-repo/semantics/publishedVersion
info:eu-repo/semantics/conferenceObject
Congreso
Journal
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
status_str publishedVersion
format conferenceObject
dc.identifier.none.fl_str_mv http://hdl.handle.net/11336/184406
Aplicación de técnicas de Inteligencia Artificial ("Deep Learning") para clasificación y conteo de parásitos; VIII Congreso Argentino de Parasitología; Corrientes; Argentina; 2019; 132-132
2313-9862
CONICET Digital
CONICET
url http://hdl.handle.net/11336/184406
identifier_str_mv Aplicación de técnicas de Inteligencia Artificial ("Deep Learning") para clasificación y conteo de parásitos; VIII Congreso Argentino de Parasitología; Corrientes; Argentina; 2019; 132-132
2313-9862
CONICET Digital
CONICET
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/url/www.revargparasitologia.com.ar
info:eu-repo/semantics/altIdentifier/url/http://www.revargparasitologia.com.ar/pdf/RevArgParasitol_VIII_CAP.pdf
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
application/pdf
application/pdf
application/pdf
dc.coverage.none.fl_str_mv Nacional
dc.publisher.none.fl_str_mv Asociación Parasitológica Argentina
publisher.none.fl_str_mv Asociación Parasitológica Argentina
dc.source.none.fl_str_mv reponame:CONICET Digital (CONICET)
instname:Consejo Nacional de Investigaciones Científicas y Técnicas
reponame_str CONICET Digital (CONICET)
collection CONICET Digital (CONICET)
instname_str Consejo Nacional de Investigaciones Científicas y Técnicas
repository.name.fl_str_mv CONICET Digital (CONICET) - Consejo Nacional de Investigaciones Científicas y Técnicas
repository.mail.fl_str_mv dasensio@conicet.gov.ar; lcarlino@conicet.gov.ar
_version_ 1842269001532571648
score 13.13397