Machine learning regularity representation from biological patterns: a case study in a Drosophila neurodegenerative model

Abstract

This work presents a fully automated classification pipeline of bright-field images based on HOG descriptors and machine learning techniques. An initial ROI extraction is performed applying TopHat morphological kernel and Euclidean distance to centroid thesholding. Image classification algorithms are trained on these ROIs (SVM, Decision Trees, Random Forest, CNN) and their performance is evaluated on independent, unseen datasets. HOG + gaussian kernel SVM (0.97 accuracy and 0.98 AUC) and fine-tune pre-trained CNN (0.98 accuracy and 0.99 AUC) yielded the best results overall.

Con este trabajo se pretende proporcionar una herramienta totalmente automática de multiclasificación basada en la extracción de descriptores HOG y técnicas de deep learning. Se presenta un algoritmo de segmentación y extracción del ROI correspondiente al área del ojo, utilizando transformaciones morfológicas TopHat y filtraje por distancia al centroide del conjunto de píxels. Sobre estos ROIs se comparan diferentes algoritmos de clasificación (SVM, árboles de decisión, Random Forest)

Amb aquest treball es pretén proporcionar una eina totalment automàtica de multiclasificación basada en l'extracció de descriptores HOG i tècniques de deep learning. Es presenta un algorisme de segmentació i extracció del ROI corresponent a l'àrea de l'ull, utilitzant transformacions morfològiques TopHat i filtratge per distància al centroide del conjunt de píxels. Sobre aquests ROIs es comparen diferents algorismes de classificació (SVM, arbres de decisió, Random Forest)