dc.contributor.advisor | Cancino, Sandra | |
dc.contributor.author | Rojas Tocora, Angelica Maria | |
dc.date.accessioned | 2024-02-01T20:59:55Z | |
dc.date.available | 2024-02-01T20:59:55Z | |
dc.date.issued | 2024 | |
dc.identifier.uri | https://repositorio.escuelaing.edu.co/handle/001/2811 | |
dc.description.abstract | Malaria, a prevalent parasitic disease, has
traditionally been diagnosed through microscopic blood
examination, a method that requires considerable expertise and is
subject to interpretative variability. This project proposes the use
of advanced image processing techniques and machine learning to
enhance the detection and classification of the four malaria
parasites that infect humans: Plasmodium falciparum, P. vivax, P.
ovale, and P. malariae. | eng |
dc.description.abstract | La malaria, una enfermedad parasitaria prevalente, se ha diagnosticado tradicionalmente mediante un examen microscópico de sangre, un método que requiere considerable experiencia y está sujeto a variabilidad interpretativa. Este proyecto propone el uso de técnicas avanzadas de procesamiento de imágenes y aprendizaje automático para mejorar la detección y clasificación de los cuatro parásitos de la malaria que infectan a los humanos: Plasmodium falciparum, P. vivax, P. ovale y P. malariae. | spa |
dc.format.extent | 4 páginas | spa |
dc.format.mimetype | application/pdf | spa |
dc.language.iso | spa | spa |
dc.publisher | Escuela Colombiana de Ingeniería | spa |
dc.publisher | Universidad del Rosario | spa |
dc.title | Clasificación de parásitos de la malaria | spa |
dc.type | Trabajo de grado - Pregrado | spa |
dc.type.version | info:eu-repo/semantics/publishedVersion | spa |
oaire.accessrights | http://purl.org/coar/access_right/c_abf2 | spa |
oaire.awardtitle | CLASIFICACÍON DE PARASITOS DE LA MALARIA | spa |
oaire.version | http://purl.org/coar/version/c_970fb48d4fbd8a85 | spa |
dc.contributor.corporatename | Escuela Colombiana de Ingeniería Julio Garavito | spa |
dc.description.degreelevel | Pregrado | spa |
dc.description.degreename | Ingeniero(a) Biomédico(a) | spa |
dc.description.methods | El conjunto de datos consiste en 229 imágenes de frotis de
sangre obtenidas del Chittagong Medical College Hospital en
Bangladesh. Estas imágenes han sido segmentadas para resaltar
la región visual de los eritrocitos. Las imágenes están
clasificadas en cuatro categorías, basadas en las especies de
Plasmodium que causan malaria: Plasmodium falciparum,
Plasmodium vivax, Plasmodium malariae y Plasmodium ovale.
La distribución de las imágenes por especie es la siguiente: 122
imágenes corresponden a Plasmodium falciparum, 37 a
Plasmodium malariae, 29 a Plasmodium ovale y 46
Plasmodium vivax.
Este dataset no contaba con anotaciones específicas para la
segmentación de parásitos por especie, sino; para la
segmentación por fase de vida, en consecuencia, a esto, se
realizó una segmentación manual haciendo uso de la
herramienta de MATLAB Image Labeler.
B. Segmentación
Se segmentó el color morado; considerando que todos los
parásitos están pintados con este color en las imágenes. Se
utiliza MATLAB para este proceso, el cual, implica varios
pasos, desde la conversión de la imagen a un espacio de color
adecuado hasta la creación de una máscara binaria que
identifica las áreas de interés.
1) Definición del Rango de Color:
Primero, definimos el rango del color morado en el espacio de
color HSV (Hue, Saturation, Value), que es más efectivo para
la segmentación de colores que el espacio de color RGB (Red,
Green, Blue). El rango se ajusta según las necesidades
específicas y el tono deseado de morado:
rango_color_morado = [0.7, 0.2, 0.2; 0.9,
1.0, 1.0];
2) Conversión de RGB a HSV:
Convertimos la imagen del espacio de color RGB al espacio
HSV. Esto facilita la identificación de colores específicos en la
imagen.
3) Creación de la Máscara Binaria:
Creamos una máscara binaria que identifica el color morado en
la imagen. Esta máscara compara cada píxel con el rango
definido, resultando en una imagen binaria donde los píxeles
morados son marcados.
C. Clasificación
Se usó transfer learnig. El cual es una técnica avanzada en
el campo del aprendizaje automático, que consiste en aplicar
conocimientos adquiridos en una tarea para mejorar el
aprendizaje en otra tarea relacionada. Esta estrategia es
especialmente útil cuando se cuenta con un conjunto de datos | spa |
dc.description.researcharea | Procesamiento de señales e imagenes | spa |
dc.identifier.url | https://catalogo.escuelaing.edu.co/cgi-bin/koha/opac-detail.pl?biblionumber=23637 | |
dc.publisher.place | Bogotá | spa |
dc.publisher.program | Ingeniería Biomédica | spa |
dc.relation.indexed | N/A | spa |
dc.rights.accessrights | info:eu-repo/semantics/openAccess | spa |
dc.subject.armarc | Malaria | |
dc.subject.armarc | Procesamiento de imágenes | |
dc.subject.armarc | Aprendizaje automático | |
dc.subject.proposal | Malaria | spa |
dc.subject.proposal | Malaria | eng |
dc.subject.proposal | Procesamiento de imágenes | spa |
dc.subject.proposal | Image processing | eng |
dc.subject.proposal | Aprendizaje automático | spa |
dc.subject.proposal | Machine learning | eng |
dc.type.coar | http://purl.org/coar/resource_type/c_7a1f | spa |
dc.type.content | Text | spa |
dc.type.driver | info:eu-repo/semantics/bachelorThesis | spa |
dc.type.redcol | https://purl.org/redcol/resource_type/TP | spa |