Eigenfungi. Desarrollo de un método de Data Mining para la detección automática de patrones en microscopía aplicada a micología médica

Institución otorgante:

Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales

Fecha:

2007

Tipo de documento: 

info:eu-repo/semantics/doctoralThesis
 

Formato:

application/pdf

Idioma:

spa

Temas:

EIGENFUNGI - EIGENFACES - FISHERFACES - HONGOS MICROSCOPICOS - RECONOCIMIENTO DE PATRONES - ANALISIS DE COMPONENTES PRINCIPALES - ANALISIS DISCRIMINANTE - TRANSFORMADA DE HOTELLING - EIGENFUNGI - EIGENFACES - FISHERFACES - MICROSCOPIC FUNG - PATTERN RECOGNITION - PRINCIPAL COMPONENT ANALYSIS - DISCRIMINANT ANALYSIS - HOTELLING TRANSFORM

Descripción:

En este trabajo desarrollamos un método automático para el reconocimiento de especies de hongos microscópicos, que denominamos eigenfungi. Está basado en la metodología para reconocimiento de rostros denominada eigenfaces, a la que se le introducen varias modificaciones que mejoran su exactitud en el análisis de imágenes microscópicas de hongos. En los últimos años se registra un incremento en las infecciones causadas por hongos. Debido a la necesidad de entrenamiento específico que requiere el análisis microscópico, el diseño e implementación de herramientas informáticas que asistan al personal recibe creciente atención. Este método transforma las imágenes y aplica técnicas propias de Data Mining, considerando al conjunto de imágenes como una base de datos. Se fundamenta en la aplicación en imágenes del Análisis de Componentes Principales (PCA) que descompone datos multidimensionales a un subespacio de menor dimensión pero preservando las características esenciales de los datos tratados. No necesita de recortes manuales de los objetos por parte del experto humano y requiere de pocas imágenes para el entrenamiento. Para la elaboración y validación de la metodología, se estudiaron imágenes de hongos microscópicos de las seis especies principales de dermatofitos, obtenidas de muestras provistas por el Departamento de Micología del Instituto Nacional de Enfermedades Infecciosas (INEI), ANLIS “Carlos G. Malbrán”. Se compararon los resultados obtenidos, con variantes del algoritmo PCA (generación de multiespacios, utilización de distancia Manhattan, combinación con preprocesamientos), y posteriormente con otro método de Data Mining aplicado al reconocimiento de rostros llamado fisherfaces que se basa en el Análisis Discriminante.

Identificador:

https://hdl.handle.net/20.500.12110/tesis_n4318_Ricillo