Identification of cell membranes in 2D images using computer vision

• Autor: Saravia Velasquez, Paul Diego
• 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:20.500.12773/18530
• Enlace del recurso: https://hdl.handle.net/20.500.12773/18530
• Nivel de acceso: acceso abierto
• Materia: Visión por ordenador; CNN; Membranas celulares; https://purl.org/pe-repo/ocde/ford#1.02.01

En la actualidad, en muchos tipos de investigación se ha estudiado la estructura celular para identificar enfermedades o realizar diagnósticos clínicos; de los hongos y las células epiteliales, porque el aumento de las infecciones fúngicas invasivas en los últimos años, sobre todo en pacientes inmunodeprimidos, ha impulsado la búsqueda de nuevos agentes antifúngicos con mayor eficacia. La membrana celular fúngica está enriquecida con diversos lípidos pertenecientes a la clase de los glicerofosfolípidos, esfingolípidos y esteroles. Además, se desconocen en gran medida las funciones precisas de los lípidos de membrana en la organización de estos dominios de membrana en las células epiteliales, donde están polarizadas y mantienen membranas apicales y basolaterales. Estas células epiteliales tienen estructuras de membrana morfológicamente distintas con funciones específicas. Esta investigación presenta una contribución significativa para lograr la identificación precisa de membranas celulares en imágenes 2D basada en una arquitectura CNN de tipo Inception diseñada específicamente para este contexto de investigación, permitiendo la detección eficaz de membranas celulares. Además, se aplicaron filtros Canny, de umbralización y de ruido gaussiano para mejorar la detección de bordes extrayendo información relevante del objeto de interés y reduciendo los elementos innecesarios de la imagen. Además, se utilizaron otras técnicas de segmentación y ajustes de tamaño para mejorar la variabilidad presente en las imágenes. Finalmente, los resultados experimentales muestran el mejor rendimiento con una tasa de precisión del 86,6% utilizando el optimizador Adagrad, que demostró su eficacia en la búsqueda de membranas en imágenes 2D. Nuestra propuesta, basada en CNN, procesamiento de imágenes y técnicas de ajuste, ofrece una aproximación robusta a esta tarea, fortaleciendo la investigación en este campo y abriendo oportunidades para futuras mejoras