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

Ricillo, Marcela Leticia

Registro:

Documento:	Tesis Doctoral
Disciplina:	computacion
Título:	Eigenfungi. Desarrollo de un método de Data Mining para la detección automática de patrones en microscopía aplicada a micología médica
Autor:	Ricillo, Marcela Leticia
Editor:	Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales
Publicación en la Web:	2023-05-09
Fecha de defensa:	2007
Fecha en portada:	2007
Grado Obtenido:	Doctorado
Título Obtenido:	Doctor de la Universidad de Buenos Aires en el área de Ciencias de la Computación
Director:	Bustos, Oscar; Soria, Marcelo A.; Bustos, Oscar; Soria, Marcelo A.
Idioma:	Español
Palabras clave:	EIGENFUNGI; EIGENFACES; FISHERFACES; HONGOS MICROSCOPICOS; RECONOCIMIENTO DE PATRONES; ANALISIS DE COMPONENTES PRINCIPALES; ANALISIS DISCRIMINANTE; TRANSFORMADA DE HOTELLINGEIGENFUNGI; EIGENFACES; FISHERFACES; MICROSCOPIC FUNG; PATTERN RECOGNITION; PRINCIPAL COMPONENT ANALYSIS; DISCRIMINANT ANALYSIS; HOTELLING TRANSFORM
Formato:	PDF
Handle:	http://hdl.handle.net/20.500.12110/tesis_n4318_Ricillo
PDF:	https://bibliotecadigital.exactas.uba.ar/download/tesis/tesis_n4318_Ricillo.pdf
Registro:	https://bibliotecadigital.exactas.uba.ar/collection/tesis/document/tesis_n4318_Ricillo
Ubicación:	Dep.COM 004318
Derechos de Acceso:	Esta obra puede ser leída, grabada y utilizada con fines de estudio, investigación y docencia. Es necesario el reconocimiento de autoría mediante la cita correspondiente. Ricillo, Marcela Leticia. (2007). Eigenfungi. Desarrollo de un método de Data Mining para la detección automática de patrones en microscopía aplicada a micología médica. (Tesis Doctoral. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales.). Recuperado de http://hdl.handle.net/20.500.12110/tesis_n4318_Ricillo

Resumen:

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.

Abstract:

In this thesis we present an automatic method for the recognition of microscopic fungi, that we called eigenfungi. This method is based on the methodology for face recognition called eigenfaces, with some modifications that improve their precision as recognizer of microscopical fungi images. In the last years an increase in the infections caused by fungi is registered. Design and implementation of computer-aided tools for staff attendance is very important, due to the necessity for specific training that microscopic analysis require. This method transforms images and applies Data Mining techniques, treating images like databases. It based on the application in images of the Principal Component Analysis (PCA). The PCA takes apart multidimensional data in a smaller dimensional subspace but preserving the principal characteristics of the data. It doesn’t need manual cuts of objects by expert humans and it requires few images for training. We compared the results with variants of PCA algorithm –generation of multi spaces, Manhattan distance, preprocessing- and then we compared the method with another Data Mining method for face recognition called fisherfaces based on Discriminant Analysis (LDA). For the construction and validation of this methodology, we studied microscopic fungus images of the six principal species of dermatophytes, obtained from samples provided by the Micology Department of Instituto Nacional de Enfermedades Infecciosas (INEI), ANLIS “Carlos G. Malbrán”.

Citación:

---------- APA ----------

Ricillo, Marcela Leticia. (2007). Eigenfungi. Desarrollo de un método de Data Mining para la detección automática de patrones en microscopía aplicada a micología médica. (Tesis Doctoral. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales.). Recuperado de https://hdl.handle.net/20.500.12110/tesis_n4318_Ricillo

---------- CHICAGO ----------

Ricillo, Marcela Leticia. "Eigenfungi. Desarrollo de un método de Data Mining para la detección automática de patrones en microscopía aplicada a micología médica". Tesis Doctoral, Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales, 2007.https://hdl.handle.net/20.500.12110/tesis_n4318_Ricillo

Estadísticas:

Descargas totales desde :

Navegar

Colección

Tesis Doctoral