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
- Institución
- Consejo Nacional de Investigaciones Científicas y Técnicas
- OAI Identificador
- oai:ri.conicet.gov.ar:11336/184406
Ver los metadatos del registro completo
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 |