Procesamiento digital de imágenes citogenéticas para su clasificación

Abstract

Este trabajo final de maestría tiene como objetivo el desarrollo de una herramienta bioinformática que permita detectar a través de reconocimiento de imágenes, nucleoides de ADN (con cabezas y colas) en fluorescencia, para su posterior clasificación de acuerdo con la técnica de ensayo cometa. Se busca automatizar y gestionar su almacenamiento, y optimizar los procesos en el laboratorio de citogenética. Para tal fin, se evalúan posibles métodos a aplicar y se seleccionan los que combinan algoritmos matemáticos, computacionales, redes neuronales y sistema neuro difuso. El método desarrollado realiza la detección y segmentación en tres pasos: ● Primero: se lleva a cabo un pre proceso y una segmentación inicial de la imagen en bruto. ● Segundo: los fragmentos obtenidos se clasifican mediante redes neuronales en tres grupos: cabeza, cola y fondo. ● Tercero: las cabezas o núcleos y colas se miden y son re-analizadas, clasificándolas según su relación de proporción. Este proceso de detección, segmentación y clasificación se comprobó mediante el caso de estudio con imágenes citogenéticas en ensayo cometa del Laboratorio de Citogenética General y Monitoreo Ambiental del Instituto de Biología Subtropical UNaM-IBS-CONICET. Los resultados expuestos a través de la evaluación del modelo dio un Promedio de aciertos (Accuracy) 0,92% y media armónica (Fmeasure) 0,96% fueron alcanzados a través de modelos que combinan métodos de clasificación mediante algoritmos híbridos, redes neuronales, sistema neurodifuso y funciones de clasificación.

The objective of this thesis is the development of a bioinformatics tool that allows to detect DNA nucleoides (with heads and tails) through the recognition of images in fluorescence, for its subsequent classification according to comet assay technique. It is sought to automate and manage their storage, and to optimize processes in the cytogenetic laboratory. For this purpose, possible methods are evaluated and the ones selected combine mathematical and computer algorithms, neural networks and fuzzy. The developed method performs detection and segmentation in three steps: First: a pre-process and initial segmentation of the raw image is carried out. ·Second: the fragments obtained are classified by means of a convolutional neural network (CNN) into three groups: head, tail and bottom. Third: heads or cores and tails are measured, re-analyzed, and classified according to its proportional ratio. This detection, segmentation and classification process was verified by means of case study with cytogenetic images during the comet assay in General Cytogenetic and Environmental Monitoring Laboratory of Subtropical Biology Institute, UNaM-IBS-CONICET. The results presented through the evaluation of the model gave accuracy of 0.92 and Fmeasure of 0.96 were models that combine classification methods that make use of hybrid algorithms, neuronal networks, neuro-fuzzy algorithms and classification functions.