Detección y clasificación de células normales de la sangre periférica usando aprendizaje profundo

Abstract

Mediante la utilización de herramientas de procesamiento digital de imágenes, se pueden extraer descriptores cuantitativos de las células en la sangre periférica, que a través de técnicas de Machine Learning (M.L) y Deep Learning (D.L.) permite diferenciar de forma automática y objetiva los tipos de células. En este TFM se entrena mediante redes neuronales convolucionales (CNN) un sistema de detección y clasificación de células normales de la sangre que, al ingresar una imagen, detecta las células principales y luego permite recortar los leucocitos y clasificarlos según el tipo. Para conseguir una mayor eficiencia y superar las dificultades que se presentan en las tareas de detección y clasificación, sobre todo en la determinación de descriptores que son realizados de forma artesanal, se aborda el problema con el uso de las arquitecturas de redes neuronales convolucionales con lo cual estos descriptores se obtienen de forma automática. Para el desarrollo del clasificador se entrenó una red desde cero con un accuracy de 0.862 y un val_acuraccy de 0.858. También se entrenaron modelos como VGG16 y Mobile y se compararon los resultados. Se emplearon en ambos entrenamientos la arquitectura de Keras con Tensorflow como backend con las últimas versiones. Para el entrenamiento del detector se utilizó la arquitectura YOLO con la librería especializada ImageAI en detección de objetos y se ha obtenido un excelente desempeño. Estos desarrollos tienen diversas aplicaciones en los campos de la bioinformática, y pueden dar las bases para que luego con la aplicación de metodologías similares a las propuestas en este TFM, se entrenen CNN para identificación de patologías a partir de la clasificación y detección de células anormales en la sangre.

Through the use of digital image processing tools, quantitative descriptors of cells in peripheral blood can be extracted, which, through Machine Learning (M.L.) and Deep Learning (D.L.) techniques, allow cell types to be automatically and objectively differentiated. In this TFM, a system of detection and classification of normal blood cells is trained through convolutional neural networks (CNN) which, when an image is entered, detects the main cells and then allows the leukocytes can be trimmed and classified according to the type. To achieve greater efficiency and overcome the difficulties that arise in the tasks of detection and classification, especially in the determination of descriptors that are made by hand, the problem is addressed with the use of convolutional neural network architectures with the which these descriptors are obtained automatically. For the development of the classifier a network was trained from scratch with an accuracy of 0.862 and a val_acuraccy of 0.858. Other models were reentrained with networks such as VGG16 and Mobile and the results were compared. The latest versions of Keras architecture with Tensorflow as backend was used in both trainings. For the training of the detector, the YOLO architecture was used with the specialized ImageAI library in object detection and excellent performance has been obtained. These developments have various applications in the fields of bioinformatics, and might provide the basis for the application of methodologies similar to those proposed in this TFM, so CNN could be trained to identify pathologies from the classification and detection of abnormal blood cells.

Mitjançant la utilització d'eines de processament digital d'imatges, es poden extreure descriptors quantitatius de les cèl·lules en la sang perifèrica, que a través de tècniques de Machine Learning (M.L) i Deep Learning (D.L.) permet diferenciar de manera automàtica i objectiva els tipus de cèl·lules. En aquest TFM s'entrena mitjançant xarxes neuronals convolucionals (CNN) un sistema de detecció i classificació de cèl·lules normals de la sang que, en ingressar una imatge, detecta les cèl·lules principals i després permet retallar els leucòcits i classificar-los segons el tipus. Per a aconseguir una major eficiència i superar les dificultats que es presenten en les tasques de detecció i classificació, sobretot en la determinació de descriptors que són realitzats de manera artesanal, s'aborda el problema amb l'ús de les arquitectures de xarxes neuronals convolucionals amb la qual cosa aquests descriptors s'obtenen de manera automàtica. Per al desenvolupament del classificador es va entrenar una xarxa des de zero amb un accuracy de 0.862 i un val_acuraccy de 0.858. També es van entrenar models com VGG16 i Mobile i es van comparar els resultats. Es van emprar en tots dos entrenaments l'arquitectura de Keras amb Tensorflow com backend amb les últimes versions. Per a l'entrenament del detector es va utilitzar l'arquitectura YOLO amb la llibreria especialitzada ImageAI en detecció d'objectes i s'ha obtingut un excel·lent acompliment. Aquests desenvolupaments tenen diverses aplicacions en els camps de la bioinformàtica, i poden donar les bases perquè després amb l'aplicació de metodologies similars a les propostes en aquest TFM, s'entrenin CNN per a identificació de patologies a partir de la classificació i detecció de cèl·lules anormals en la sang.