Detección automática de ascaris lumbricoides en imágenes microscópicas mediante redes neuronales convolucionales (CNN)

• Autores: Ancco Ruelas, Cesar Roberto, Martinez Pastor, Giovanni Gelber
• Formato: tesis de grado
• Fecha de Publicación: 2024
• Institución: Universidad Nacional de San Agustín
• Repositorio: UNSA-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.unsa.edu.pe:20.500.12773/18519
• Enlace del recurso: https://hdl.handle.net/20.500.12773/18519
• Nivel de acceso: acceso abierto
• Materia: Detección por Momentos; Imágenes Microscópicas; OpenCV; Redes Neuronales Convolucionales; Ascaris lumbricoides; https://purl.org/pe-repo/ocde/ford#2.02.04

Los parásitos son agentes causantes de enfermedades tanto en el Perú como a nivel mundial. En muchos contextos, el diagnóstico se realiza manualmente mediante la observación de imágenes microscópicas, donde es necesario identificar los huevos de los parásitos. Sin embargo, este proceso es notoriamente lento y en ocasiones la claridad de la imagen puede ser insuficiente, dificultando así una identificación rápida y precisa. Esto puede deberse a diversos factores, como la calidad de la imagen o la presencia de ruido. En este artículo, presentamos un modelo de Red Neuronal Convolucional (CNN). Mediante este enfoque, llevamos a cabo las etapas de entrenamiento, pruebas y validación de nuestro modelo CNN con el objetivo de detectar e identificar los huevos del parásito Ascaris lumbricoides. Los resultados obtenidos muestran que el modelo CNN propuesto, combinado con el preprocesamiento de las imágenes, arrojó resultados altamente favorables en la identificación de los huevos del parásito. Además, se lograron valores muy satisfactorios en las pruebas y validaciones del modelo, lo que indica su eficacia y precisión en el diagnóstico de la presencia de parásitos. Esta investigación representa un avance significativo en el campo del diagnóstico parasitológico, ya que ofrece una solución eficiente y precisa para la detección de parásitos mediante el análisis de imágenes microscópicas. Esperamos que estos resultados contribuyan a mejorar los métodos de diagnóstico y tratamiento de enfermedades parasitarias.