Reconocimientos de Patrones en Imagenes Digitales

10,403 views

Published on

Published in: Technology, Business
0 Comments
2 Likes
Statistics
Notes
  • Be the first to comment

No Downloads
Views
Total views
10,403
On SlideShare
0
From Embeds
0
Number of Embeds
76
Actions
Shares
0
Downloads
209
Comments
0
Likes
2
Embeds 0
No embeds

No notes for slide
  • Reconocimientos de Patrones en Imagenes Digitales

    1. 1. <ul><li>Dr. César A. Beltrán Castañón </li></ul><ul><li>[email_address] </li></ul><ul><li>http://www.spc.org.pe </li></ul>
    2. 2. RECONOCIMIENTO DE PATRONES EN IMÁGENES DIGITAL Dr. César A. Beltrán Castañón [email_address] Laboratório de Biologia Molecular de Coccídias Instituto de Ciências Biomédicas Universidade de São Paulo Grupo de Pesquisa em Visão Cibernética Instituto de Física de São Carlos Universidade de São Paulo
    3. 3. Contenido <ul><li>Introducción </li></ul><ul><li>Adquisición y pre-procesamiento de imágenes </li></ul><ul><li>Representación de formas </li></ul><ul><li>Clasificación y minería de datos </li></ul><ul><li>Resultados </li></ul><ul><li>Perspectivas futuras </li></ul>
    4. 4. Introducción <ul><li>Coccidiosis en aves: siete especies de Eimeria infectan la gallina doméstica: </li></ul>E. maxima E. brunetti E. tenella E. necatrix E. praecox E. acervulina E. mitis
    5. 5. <ul><li>Marcadores de DNA </li></ul><ul><ul><li>DNA fingerprinting - minisatélites </li></ul></ul><ul><ul><li>RAPD </li></ul></ul><ul><ul><li>Secuencias ribosómicas ITS1 </li></ul></ul><ul><ul><li>Marcadores SCARs – PCR multiplex </li></ul></ul><ul><li>Desventajas: </li></ul><ul><ul><li>Requiere de personal especializado en técnicas moleculares </li></ul></ul><ul><ul><li>Requiere transporte de muestras de la granja hasta el laboratorio de referencia – riesgos sanitarios! </li></ul></ul>PCR multiplex RAPD Introducción
    6. 6. Introducción <ul><li>Reconocimiento de Patrones?? </li></ul>Objeto <ul><li>-# rectas </li></ul><ul><li># de ángulos </li></ul><ul><li># de alas </li></ul><ul><li>Tamaño/dimensión </li></ul><ul><li>Dist. Alas </li></ul><ul><li>..... </li></ul>Extracción de Características Classificación/ Reconocimiento Es un avión!!! ¿Cómo aplicar ese proceso para el reconocimiento de la Eimeria ?
    7. 7. Contenido <ul><li>Introducción </li></ul><ul><li>Adquisición y pre-procesamiento de imágenes </li></ul><ul><li>Representación de formas </li></ul><ul><li>Clasificación y minería de datos </li></ul><ul><li>Resultados </li></ul><ul><li>Perspectivas futuras </li></ul>
    8. 8. Adquisición y pre-procesamiento de imágenes <ul><li>Secuencia de pasos. </li></ul>Micrografias adquiridas por microscopía Aislamiento de oocistos individuales Transformación en tonos de gris ecualización Segmentación o Binarización Detección de contorno Fezes de gallina Purificación de oocistos Muestras de oocistos de cada especie Aquisición de imágenes digitales
    9. 9. Adquisición y pre-procesamiento de imágenes <ul><li>Diagrama de flujo del proceso de reconocimiento de oocistos </li></ul>Base de datos de imágenes Extracción de características Reconocimento de patrones Vector de características Pre - procesamiento de imágenes (elemento de verificación/prueba) Pre - procesamiento de imágenes (conjunto de entrenamiento) Clasificación Vector de características X 1 X 2 X 3 X n g 1 g 2 g 3
    10. 10. <ul><li>Segmentación y detección del contorno </li></ul>Algoritmo de seguimiento de contorno Contorno paramétrico x(t) e y(t) Adquisición y pre-procesamiento de imágenes
    11. 11. Contenido <ul><li>Introducción </li></ul><ul><li>Aquisición y pre-procesamiento de imágenes </li></ul><ul><li>Representación de formas </li></ul><ul><li>Clasificación y minería de datos </li></ul><ul><li>Resultados </li></ul><ul><li>Perspectivas futuras </li></ul>
    12. 12. Representación de formas Platón: El mundo material es uma sombra del mundo real. Aristóteles: La mente, un lugar de las formas En los brazos de Morpheus Originalmente publicado en 1917
    13. 13. <ul><li>Transformación y aplicación de filtros </li></ul>Representación de formas <ul><li>Reducción de la dimensionalidad </li></ul><ul><li>Remoción de información redundante </li></ul><ul><li>Maximizar la capacidad de representación </li></ul><ul><li>Caracterizar distintos aspectos </li></ul>Vector de características Medidas Geométricas Representación de la curvatura Caracterización de la estructura interna
    14. 14. <ul><li>Medidas geométricas </li></ul>Representación de formas Área : Conteo del número de pixels Diámetros : Cálculo por componentes principales D d ( a ) ( b ) ( c ) x y x y y x
    15. 15. <ul><li>Medidas geométricas </li></ul>Representación de formas Simetría :
    16. 16. <ul><li>Representación de la curvatura </li></ul>Representación de formas Sigma=50 Sigma=10
    17. 17. <ul><li>Caracterización de la estrutura interna </li></ul>Representación de formas Matrices de co-ocurrencia
    18. 18. Caracterización de imágenes <ul><li>Espacio de características </li></ul><ul><li>Diámetro menor </li></ul><ul><li>Simetría vertical </li></ul><ul><li>Simetría horizontal </li></ul><ul><li>Área </li></ul><ul><li>Entropía de la estructura interna </li></ul><ul><li>Media de la curvatura </li></ul><ul><li>Desviación estándar curvatura </li></ul><ul><li>Entropía de la curvatura </li></ul><ul><li>Segundo momento angular </li></ul><ul><li>Contraste </li></ul><ul><li>Momento diferencia inversa </li></ul><ul><li>Entropia matriz co-ocurrencia </li></ul><ul><li>Diámetro mayor </li></ul><ul><li>Excentricidad(ancho/largo) </li></ul>
    19. 19. Contenido <ul><li>Introducción </li></ul><ul><li>Adquisición y pre-procesamiento de imágenes </li></ul><ul><li>Representación de formas </li></ul><ul><li>Clasificación y minería de datos </li></ul><ul><li>Resultados </li></ul><ul><li>Perspectivas futuras </li></ul>
    20. 20. Clasificación y minería Vector de características <ul><li>Método paramétrico por densidad normal </li></ul>
    21. 21. Clasificación y minería <ul><li>Función discriminante basada em la distribución normal </li></ul><ul><ul><li>Resultados son intepretados como por similaridad </li></ul></ul><ul><li>Método paramétrico por densidad normal </li></ul>
    22. 22. Clasificación y minería <ul><li>Generalización del clasificador </li></ul>Selección de características Definición del tamaño mínimo del conjunto de entrenamiento
    23. 23. Contenido <ul><li>Introducción </li></ul><ul><li>Adquisición y pre-procesamiento de imágenes </li></ul><ul><li>Representación de formas </li></ul><ul><li>Clasificación y minería de datos </li></ul><ul><li>Resultados </li></ul><ul><li>Perspectivas futuras </li></ul>
    24. 24. Resultados <ul><li>Identificación de especies de Eimeria de gallina </li></ul>Conjunto de datos Características 3.891 TOTAL 404 E. necatrix 608 E. tenella 747 E. praecox 757 E. mitis 418 E. brunetti 321 E. maxima 636 E. acervulina N o de ejemplos Especie Excentricidad o shape index F14 Entropía de la matriz de co-ocurrencia F13 Momento de la diferencia inversa F12 Contraste F11 Segundo momento angular F10 Entropía de la estructura interna F9 Área F8 Simetría en función del diámetro menor F7 Simetría en función del diámetro mayor F6 Diámetro menor (ancho) F5 Diámetro mayor (largo) F4 Entropía de la curvatura F3 Desviación estándard de la curvatura F2 Média de la curvatura F1 Característica ID
    25. 25. Resultados <ul><li>Identificación de especies de Eimeria de gallina </li></ul>¿Cuál es el conjunto mínimo de elementos de entrenamiento? 30% = 672 ejemplos 96 imágenes/especie
    26. 26. Resultados <ul><li>Identificación de especies de Eimeria de gallina </li></ul>Selección de características con SFS y el clasificador por similaridad 85,15 X X X X X X X X X X X X X X 14 85,39 X X X X X X X X X X X X X 13 85,29 X X X X X X X X X X X X 12 85,14 X X X X X X X X X X X 11 85,09 X X X X X X X X X X 10 85,00 X X X X X X X X X 9 85,08 X X X X X X X X 8 84,37 X X X X X X X 7 82,92 X X X X X X 6 81,47 X X X X X 5 80,15 X X X X 4 79,13 X X X 3 76,45 X X 2 Acierto F14 F13 F12 F11 F10 F9 F8 F7 F6 F5 F4 F3 F2 F1 Nivel
    27. 27. Resultados <ul><li>Identificación de espécies de Eimeria de gallina </li></ul>Selección de características con SFS y el clasificador por probabilidad 80,10 X X X X X X X X X X X X X X 14 80.97 X X X X X X X X X X X X X 13 80,88 X X X X X X X X X X X X 12 81,46 X X X X X X X X X X X 11 81,28 X X X X X X X X X X 10 81,15 X X X X X X X X X 9 81,20 X X X X X X X X 8 81,05 X X X X X X X 7 81,02 X X X X X X 6 79,61 X X X X X 5 77,69 X X X X 4 74,80 X X X 3 69,65 X X 2 Acierto F14 F13 F12 F11 F10 F9 F8 F7 F6 F5 F4 F3 F2 F1 iível
    28. 28. Resultados <ul><li>Identificación de especies de Eimeria de gallina </li></ul>Discriminación de especies Clasificador: por similaridad Estrategia de validación: Leave-one-out Acierto medio: 85,49% 74,51 12,13 5,20 4,70 0,50 0,00 2,97 404 E. necatrix 11,51 80,59 4,61 0,33 2,47 0,00 0,49 608 E. tenella 8,84 5,62 75,77 6,69 3,08 0,00 0,00 747 E. praecox 3,30 0,26 3,04 92,74 0,00 0,00 0,66 757 E. mitis 0,48 4,07 0,96 0,00 94,02 0,48 0,00 418 E. brunetti 0,00 0,00 0,00 0,00 0,94 99,07 0,00 321 E. maxima 14,62 1,73 0,16 1,73 0,00 0,00 81,76 636 E. acervulina E. nec E. ten E. pra E. mit E. bru E. max E. ace Especies de oocistos Nro. de oocistos Especies
    29. 29. Resultados <ul><li>Identificación de especies de Eimeria de gallina </li></ul>Discriminación de especies Clasificador: por probabilidad Estrategia de validación: Leave-one-out Acierto medio: 80,10% 61,63 18,32 6,19 5,69 0,99 0,00 7,18 404 E. necatrix 20,89 70,23 5,10 0,16 2,96 0,00 0,66 608 E. tenella 14,59 8,97 65,33 5,89 5,09 0,00 0,13 747 E. praecox 5,15 0,13 2,25 91,41 0,00 0,00 1,06 757 E. mitis 0,00 6,70 3,11 0,00 89,24 0,96 0,00 418 E. brunetti 0,00 0,00 0,00 0,00 1,56 98,44 0,00 321 E. Maxima 10,85 2,20 0,16 2,20 0,16 0,00 84,43 636 E. acervulina E. nec E. ten E. pra E. mit E. bru E. max E. ace Especies de oocistos Nro. de oocistos Especies
    30. 30. Resultados <ul><li>Identificación de especies de Eimeria de gallina </li></ul>Análisis comparativo del desempeño de los clasificadores
    31. 31. Resultados <ul><li>Identificación de especies de Eimeria de gallina </li></ul>Análisis del desempeño de los clasificadores por curvas ROC E. acervulina E. maxima E. brunetti E. mitis E. praecox E. tenella E. necatrix
    32. 32. Resultados <ul><li>Flujograma del sistema integrado (COCCIMORPH) </li></ul>
    33. 33. Resultados <ul><li>Interfaz web </li></ul>http://puma.icb.usp.br/coccimorph/
    34. 34. Resultados <ul><li>Base de imágenes </li></ul>
    35. 35. Filograma inferido por máxima verosemejanza a partir de genomas mitocondriais de Eimeria spp. E. coecicola E. flavescens E. necatrix E. tenella E. praecox E. maxima E. brunetti E. mitis E. acervulina 97 100 66 100 100 100 0.02 Filograma inferido por Neighbor-joining con datos morfométricos E. acervulina E. mitis E. praecox E. maxima E. brunetti E. tenella E. necatrix 0.1 92 64 100 97
    36. 36. Producción científica
    37. 37. Contenido <ul><li>Introducción </li></ul><ul><li>Adquisición y pre-procesamiento de imágenes </li></ul><ul><li>Representación de formas </li></ul><ul><li>Clasificación y minería de datos </li></ul><ul><li>Resultados </li></ul><ul><li>Perspectivas futuras </li></ul>
    38. 38. Perspectivas Futuras <ul><ul><li>Segmentación automática. </li></ul></ul><ul><ul><li>Aprendizaje online . </li></ul></ul><ul><ul><li>Aplicación del sistema a otros parásitos. </li></ul></ul><ul><ul><ul><li>Adaptación del sistema para parásitos cuya morfología se encuadre em el mismo dominio de imágenes. </li></ul></ul></ul><ul><ul><ul><li>Adaptación del sistema para parásitos con morfología muy diferente de Eimeria spp. </li></ul></ul></ul>
    39. 39. Otras Aplicaciones <ul><li>Predicción e Identificación de genes aplicando dominio de frecuencia </li></ul>
    40. 40. Visualización de Proteinas
    41. 41. Predicción de estructura de proteinas Parallel Right-handed β -helix Leucine-rich repeats Hemagglutinin Eubacterial 70S
    42. 42. Secuencia Primaria MNGTEGPNFY VPFSNKTGVV RSPFEAPQYY LAEPWQFSML AAYMFLLIML GFPINFLTLY VTVQHKKLRT PLNYILLNLA VADLFMVFGG FTTTLYTSLH GYFVFGPTGC NLEGFFATLG GEIALWSLVV LAIERYVVVC KPMSNFRFGE NHAIMGVAFT WVMALACAAP PLVGWSRYIP EGMQCSCGID YYTPHEETNN ESFVIYMFVV HFIIPLIVIF FCYGQLVFTV KEAAAQQQES ATTQKAEKEV TRMVIIMVIA FLICWLPYAG VAFYIFTHQG SDFGPIFMTI PAFFAKTSAV YNPVIYIMMN KQFRNCMVTT LCCGKNPLGD DEASTTVSKT ETSQVAPA Estructura 3D Folding Funcion compleja dentro de una red de proteinas Normal P ROTEINA S Secuencia  Estructura  Función (Extraido de: Judith Klein-Seetharaman)
    43. 43. Secuencia primaria MNGTEGPNFY VPFSNKTGVV RSPFEAPQYY LAEPWQFSML AAYMFLLIML GFPINFLTLY VTVQHKKLRT PLNYILLNLA VADLFMVFGG FTTTLYTSLH GYFVFGPTGC NLEGFFATLG GEIALWSLVV LAIERYVVVC KPMSNFRFGE NHAIMGVAFT WVMALACAAP PLVGWSRYIP EGMQCSCGID YYTPHEETNN ESFVIYMFVV HFIIPLIVIF FCYGQLVFTV KEAAAQQQES ATTQKAEKEV TRMVIIMVIA FLICWLPYAG VAFYIFTHQG SDFGPIFMTI PAFFAKTSAV YNPVIYIMMN KQFRNCMVTT LCCGKNPLGD DEASTTVSKT ETSQVAPA Estructura 3D Folding Función compleja dentro de red de proteinas P ROTEINA S Secuencia  Estructura  Función Enfermedad
    44. 44. Alineamiento y predicción: β - Helix (Extraido de: Carbonell 2006)
    45. 45. Reconstrucción de Patrones de Expresión Genética ( Travençolo 2008 )
    46. 46. Gestión de Cuencas
    47. 47. Equipo de investigación Propagación y purificación de parásitos Sandra Fernandez - ICB-USP Jane Silveira Fraga - ICB-USP Orientación Prof. Dr. Arthur Gruber – ICB-USP Prof. Dr. Luciano da Fontoura Costa – IFSC-USP Prof. Dr. Carlos Alberto de B. Pereira – IME-USP
    48. 48. Soporte financiero <ul><li>CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior </li></ul><ul><li>CNPq – Conselho Nacional de Desenvolvimento Científico e Tecnológico </li></ul>

    ×