Tecnologías Específicas

Computación

Descripcion y Objetivos

El inmunomarcaje es una técnica utilizada en campos como la histología, y que consiste en el marcaje específico de estructuras que contienen péptidos o proteínas, y que son detectados mediante anticuerpos en la técnica inmunocitoquímica. Los anticuerpos son unidos, directa o indirectamente, a moléculas fluorescentes, a enzimas ,o a partículas de oro coloidal, de modo que las estructuras marcadas pueden ser reconocidas con el tipo de microscopio adecuado. El análisis de estas imágenes consiste fundamentalmente en la detección y conteo de estas partículas, así como del estudio de la distribución espacial de las mismas.

Este trabajo se centra en el análisis de imágenes microscopía electrónica obtenidas a partir de inmunomarcaje con partículas de oro, cuyo diámetro oscila de 2 a 20 nanómetros. Estas imágenes se presentan con distintas escalas, brillos, resoluciones, e incluso presentan superficies con rugosidades que dan lugar a "sombras". Debido a esto, la localización de las partículas debe ser hecha, en muchas ocasiones, de forma manual. 

El objetivo de este trabajo fin de grado consiste en diseñar un método para la localización y etiquetado automático de las partículas. Para ello, se utilizarán técnicas basadas en visión artificial y aprendizaje automático.

 

Metodología y Competencias

En el trabajo tomará como punto de partida un conjunto de imágenes previamente etiquetadas por expertos, y se dividirá en 6 fases:

1. Análisis del problema y estudio de las imágenes.
2. Elaboración de una base de datos de imágenes de partículas.
3. Estudio y extracción de las características relevantes para la clasificación de las imágenes.
4. Elaboración de la base de datos.
5. Selección de características y estudio de distintos clasificadores.
6. Validación del modelo.

 

Medios a utilizar

Para la realización del trabajo se utilizará el lenguaje de programación Python y las siguientes librerías:

• numpy
• scikit-learn
• opencv
• scikit-image

Además, una vez desarrollado el modelo, éste será implementado en Matlab para su incorporación al proyecto GPDQ (Gold particle detection and quantization) actualmente llevado a cabo dentro del grupo de investigación SIMD.

 

Bibliografía

• Fundamentals of Digital Image Processing: A Practical Approach with Examples in Matlab. Chris Solomon, Toby Breckon.
• Learning Image Processing with OpenCV. Gloria Bueno García et al.
• Ian H. Witten y Eibe Frank, Data Mining: Practical machine tools and techniques, Elsevier, 2005
• Documentación de OpenCV para Python: http://opencv24-python-tutorials.readthedocs.io/en/stable/
• Documentación y tutoriales de scikit-learn: http://scikit-learn.org/stable/
• Documentación y tutoriales de scikit-image: http://scikit-image.org
• Apuntes de la asignatura Minería de datos.