Detección del parásito leishmania spp. en imágenes microscópicas empleando algoritmos de aprendizaje de máquina
Date
2024-04-09COAR
Tesis de maestríaShare this record
Metadata
Show full item record
PDF documents
English Title
Detection of the leishmania spp. parasite in microscopic images using machine learning algorithmsResumen
La Leishmaniasis es una enfermedad tropical causada por el parásito protozoo del género Leishmania, que es transmitido a través de insectos flebótomos. Estos vectores de transmisión se encuentran en Asia, África y gran parte de América latina. Esta enfermedad puede causar desde lesiones cutáneas como úlceras, destrucción parcial o completa de las membranas mucosas (nariz, boca y garganta) hasta afectar órganos internos como el bazo, el hígado y la medula ósea llevando en casos graves a desenlaces fatales. El método de laboratorio más utilizado para determinar la presencia del parásito en la muestra es mediante visualización directa en frotis de tejido teñidos con algún colorante (examen de frotis directo). Este método se realiza de forma manual por un profesional capacitado y requiere de un lapso amplio de tiempo; por ende, es propenso a presentar errores humanos por fatiga visual, debido a lo dispendioso de dicho proceso. Este estudio propone desarrollar un novedoso sistema aplicando algoritmos de aprendizaje de máquina para la detección del parásito Leishmania spp en imágenes de microscopía, obtenidas de láminas de examen de frotis directos de casos reales con Leishmaniasis cutánea que serán suministradas por el laboratorio clínico de la E.S.E. Hospital Universitario Centro Dermatológico Federico Lleras Acosta.
Se inició con la creación de una base de datos compuesta por 500 imágenes microscópicas de examen de frotis directos de pacientes con Leishmaniasis cutánea. Seguido de la implementación de un diseño experimental enfocado en el preprocesamiento de imágenes, donde se identificó una combinación eficaz de técnicas para la reducción de ruido y la segmentación de la imagen, destacando la importancia de una selección adecuada de métodos para optimizar la calidad de la imagen. La segmentación se realizó utilizando métodos clásicos como Otsu y umbral local, además de un enfoque más reciente basado en la iteración de mínimos globales (IGMS). La extracción de características se orientó a la representación fenotípica detallada de los parásitos, y la clasificación se efectuó mediante modelos de aprendizaje de máquina como ANN, SVM y RF. Estos modelos se optimizaron mediante la técnica de búsqueda en cuadricula (Grid Search), resultando en un sistema capaz de distinguir con alta precisión entre parásitos y no parásitos. Este desempeño, se destacó tanto en sensibilidad como en especificidad, presento resultados del 91,87% y del 89,21% respectivamente. Estos resultados fueron comparados con estudios previos, destacando la relevancia y consistencia de la metodología empleada. Finalmente, este trabajo permite validar la hipótesis de que la aplicación de técnicas de aprendizaje de máquina y aprendizaje profundo a futuro puede llegar brindar una herramienta de apoyo en el diagnóstico de la Leishmaniasis cutánea.
Abstract
Leishmaniasis is a tropical disease caused by the protozoan parasite of the genus Leishmania, which is transmitted by phlebotomine sandflies. These vectors of transmission are found in Asia, Africa and most of Latin America. This disease can cause skin lesions such as ulcers, partial or complete destruction of the mucous membranes (nose, mouth and throat) and even affect internal organs such as the spleen, liver and bone marrow, leading in severe cases to fatal outcomes. The most commonly used laboratory method to determine the presence of the parasite in the sample is by direct visualization in tissue smears stained with a dye (direct smear test). This method is performed manually by a trained professional and requires a long period of time; therefore, it is prone to human error due to visual fatigue because of the time-consuming process. This study proposes to develop a novel system applying machine learning algorithms for the detection of the Leishmania spp parasite in microscopy images obtained from direct smear examination slides of real cases with cutaneous Leishmaniasis that will be provided by the clinical laboratory of the E.S.E. Hospital Universitario Centro Dermatológico Federico Lleras Acosta.
It started with the creation of a database composed of 500 microscopic images of direct smear examination of patients with cutaneous Leishmaniasis. This was followed by the implementation of an experimental design focused on image preprocessing, where an effective combination of techniques for noise reduction and image segmentation was identified, highlighting the importance of an adequate selection of methods to optimize image quality. Segmentation was performed using classical methods such as Otsu and local thresholding, in addition to a more recent approach based on global minimum iteration (IGMS). Feature extraction was oriented toward detailed phenotypic representation of the parasites, and classification was performed using machine learning models such as ANN, SVM, and RF. These models were optimized using the Grid Search technique, resulting in a system capable of distinguishing with high accuracy between parasites and non-parasites. This performance was outstanding in both sensitivity and specificity, with results of 91.87% and 89.21%, respectively. These results were compared with previous studies, highlighting the relevance and consistency of the methodology used. Finally, this work validates the hypothesis that the application of machine learning and deep learning techniques may provide a future support tool in the diagnosis of cutaneous leishmaniasis.
Collections
Except where otherwise noted, this item's license is described as Atribución-NoComercial-SinDerivadas 4.0 Internacional