Detección y clasificación de huevos de parásitos en imágenes microscópicas

Abstract

[Resumen] Las afecciones por parásitos intestinales son un grave problema de salud con un alto impacto en algunas áreas geográficas. Dado que actualmente la evaluación de estas enfermedades se realiza de forma manual a través de expertos, es posible aplicar técnicas de aprendizaje automático para ayudar en el desarrollo de esta tarea, reduciendo al menos la carga de trabajo. Esto podría llevar a un menor tiempo de detección de la enfermedad y a la aplicación de un tratamiento adecuado más rápidamente. En el contexto del aprendizaje profundo, se han propuesto muchas técnicas de detección de objetos, validadas en conjuntos de datos de propósito general, como ImageNet o COCO. En este trabajo, proponemos una unión de varias de ellas, incluyendo técnicas recientes basadas en Transformers, para afrontar esta tarea particular. Como resultado, la unión de los métodos TOOD, Cascade-RCNN (Swin-Transformer), Cascade-RCNN (ConvNeXt) y YOLOX, aplicados a la detección de este tipo de imágenes, consigue un valor de 0,915 para la métrica Intersección sobre la Unión (Intersection over Union, IoU), el cual es mayor que los resultados obtenidos por cada uno de los métodos por separado.

[Abstract] Intestinal parasitic infections are a healthcare problem with a high impact in some areas. While nowadays the assessment performed by experts is mostly manual, it is possible to introduce machine learning techniques to help automating this task, or at least reduce the workload. This can lead to shorter detection times and faster treatment application. In the context of deep learning, several object detection techniques have been proposed and validated on general purpose datasets such as ImageNet or COCO. In this work, an ensemble of these, including recent Transformer-based techniques, is proposed for this particular task. The merged detections of TOOD, Cascade-RCNN (Swin-Transformer), Cascade-RCNN (ConvNeXt) and YOLOX applied to this problem achieved 0.915 for the Intersection over Union metric (IoU), which is larger than the result that each method obtained independently.