Identification of Nosema Cells Using Microscopic Images

Abstract

Research in the field of computer vision and intelligent systems has become increasingly vast and extensive to meet the needs and conditions of all users. Additionally, new machine learning architectures have shown profound results and made the interpretation and analysis of media more robust and efficient. The robustness and efficiency of these new architectures, coupled with technology development, have made a new area of application and opened the door for new research more beneficial for the end-user. Indeed, in the field of biology, microscopic image analysis has led to an important evolution in terms of the creation of new diagnostic support systems. The purpose of the latter is to provide practitioners with an automatic interpretation of microscopic images to allow an exploitation of the cells of such a studied disease. Different segmentation approaches have been proposed in the literature, but a method has yet to be deemed optimal for only a specific application. Therefore, it can be admitted that there is no universal method for segmentation; rather it depends on the type of knowledge sought. This thesis is articulated around the axis of segmentation methods, highlighting the crucial dependence on the specific type of knowledge being sought. The main objective of this work is to propose methods and algorithms to help recognize the cells of Nosema disease in microscopic images and make the diagnosis. These methods are very helpful in many fields and present an important pre-work for many applications. To achieve the objectives outlined in this thesis, various approaches such as: Machine Learning (ML), Deep Learning (DL, the newest and most efficient algorithm in machine learning techniques), and Augmentation Data (AD) are implemented and explored. As such, in this thesis, image processing tools will be used to calculate interesting features of Noema cells, and computer vision techniques, ML, DL, and AD techniques will be employed to recognize them. Finally, an automatic algorithm for cell identification and counting will be implemented. The automated system performs well in the diagnosis task, demonstrating high accuracy across four Nosema infection levels.

La investigación en el campo de la visión informática y los sistemas inteligentes se ha vuelto cada vez más amplia y extensa para satisfacer las necesidades y las condiciones de todos los usuarios. Además, las nuevas arquitecturas de aprendizaje automático han mostrado resultados profundos y han hecho la interpretación y el análisis de los medios más robustos y eficientes. La robustez y la eficiencia de estas nuevas arquitecturas, junto con el desarrollo tecnológico, se han convertido en una nueva esfera de aplicación y han abierto la puerta a nuevas investigaciones más beneficiosas para el usuario final. De hecho, en el campo de la biología, el análisis de imágenes microscópicas ha conducido a una importante evolución en términos de la creación de nuevos sistemas de apoyo diagnóstico. El propósito de este último es proporcionar a los profesionales una interpretación automática de imágenes microscópicas para permitir una explotación de las células de una enfermedad estudiada. En la literatura se han propuesto diferentes enfoques de segmentación, pero ningún método ha sido considerado óptimo para una aplicación específica. Por lo tanto, se puede admitir que no existe un método universal para la segmentación; más bien, depende del tipo de conocimiento buscado. Esta tesis se articula en torno al eje de los métodos de segmentación, destacando la dependencia crucial sobre el tipo específico de conocimiento que se busca. El objetivo principal de este trabajo es proponer métodos y algoritmos para ayudar a reconocer las células de la enfermedad de Nosema en imágenes microscópicas y hacer el diagnóstico. Estos métodos son muy útiles en muchos campos y presentan un importante trabajo previo para muchas aplicaciones. Para alcanzar los objetivos establecidos en esta tesis, se implementarán y explorarán Aprendizaje Automático (AA), Aprendizaje Profundo (AP) (el algoritmo más nuevo y eficiente en técnicas de aprendizaje automático) y Aumento de Datos (AD). Como tal, en esta tesis, se utilizarán herramientas de procesamiento de imágenes para calcular características interesantes de las células de Noema, y se emplearán técnicas de visión por ordenador, y técnicas de AA, AP y AD para reconocerlas. Por último, se implementará un algoritmo automático para la identificación y el conteo de células. El sistema automatizado se desempeña bien en la tarea de diagnóstico, demostrando una alta precisión en cuatro niveles de infección de Nosema.