Desarrollo de un sistema de clasificación de imágenes de anticuerpos anticitoplasma de neutrófilos y anti-dna de doble cadena basado en técnicas de inteligencia artificial

Vista sencilla de ítem
dc.contributor.advisorFranco Arias, Manuel Hernando
dc.contributor.advisorArizmendi Pereira, Carlos Julio
dc.contributor.apolounabFranco Arias, Manuel Hernando [manuel-hernando-franco-arias]spa
dc.contributor.apolounabArizmendi Pereira, Carlos Julio [carlos-julio-arizmendi-pereira]spa
dc.contributor.authorAndrade Mijares, Stheffany
dc.contributor.authorBustos Manrique, Valentina
dc.contributor.authorValzania Prada, Vittoria José
dc.contributor.cvlacFranco Arias, Manuel Hernando [0001427755]spa
dc.contributor.cvlacArizmendi Pereira, Carlos Julio [1381550]spa
dc.contributor.googlescholarArizmendi Pereira, Carlos Julio [JgT_je0AAAAJ]spa
dc.contributor.researchgateArizmendi Pereira, Carlos Julio [Carlos_Arizmendi2]spa
dc.coverage.campusUNAB Campus Bucaramangaspa
dc.coverage.spatialBucaramanga (Santander, Colombia)spa
dc.date.accessioned2024-06-25T18:31:42Z
dc.date.available2024-06-25T18:31:42Z
dc.date.issued2024-05-27
dc.degree.nameIngeniero Biomédicospa
dc.description.abstractLa detección de anticuerpos anticitoplasma de neutrófilos (ANCA) y anticuerpos anti-dsDNA es esencial para el diagnóstico y tratamiento de enfermedades autoinmunes como el Lupus Eritematoso Sistémico (LES) y la Vasculitis Asociada a ANCA (AAV). Estas pruebas, comúnmente realizadas mediante técnicas de inmunofluorescencia indirecta (IFI), presentan desafíos como la subjetividad y el tiempo requerido para analizar grandes volúmenes de imágenes, lo que aumenta los costos. En Colombia, la falta de herramientas basadas en inteligencia artificial para interpretar estos resultados dificulta el diagnóstico. Para abordar esto, se ha desarrollado un sistema de clasificación de imágenes utilizando técnicas de Deep Learning y Transfer Learning con la red convolucional preentrenada GoogLeNet, mejorando la precisión y eficiencia en el diagnóstico. Este sistema incluye una interfaz que permite a los profesionales de la salud realizar y validar clasificaciones, generar informes y organizar resultados de manera eficaz.spa
dc.description.abstractenglishThe detection of anti-neutrophil cytoplasmic antibodies (ANCA) and anti-dsDNA antibodies is essential for the diagnosis and treatment of autoimmune diseases such as Systemic Lupus Erythematosus (SLE) and ANCA-associated vasculitis (AAV). These tests, commonly performed using indirect immunofluorescence (IFA) techniques, present challenges such as subjectivity and the time required to analyze large volumes of images, which increases costs. In Colombia, the lack of artificial intelligence-based tools to interpret these results makes diagnosis difficult. To address this, an image classification system has been developed using Deep Learning and Transfer Learning techniques with the pre-trained convolutional network GoogLeNet, improving diagnostic accuracy and efficiency. This system includes an interface that allows healthcare professionals to efficiently perform and validate classifications, generate reports and organize results.spa
dc.description.degreelevelPregradospa
dc.description.learningmodalityModalidad Presencialspa
dc.description.tableofcontentsÍndice Capítulo I 12 Aspectos Generales 12 Descripción del Problema 12 Justificación del Problema 13 Pregunta de Investigación 15 Objetivo General 15 Objetivos Específicos 15 Limitaciones y Delimitaciones 16 Capitulo II 18 Marco Teórico, Marco Legal y Estado Del Arte 18 Marco Teórico 18 Anticuerpos Anticitoplasma de Neutrófilos (ANCA) 18 Técnicas Para la Detección de ANCA 19 Imnunofluorescencia Indirecta (IFI). 20 Enzimoinmunoanálisis de Adsorción (ELISA). 22 Pruebas ELISA de primera generación. 22 Pruebas ELISA de Segunda y Tercera generación. 23 Anticuerpos Anti-DNA de Doble Cadena (Anti-dsDNA) 23 Técnicas para la detección de Anti-dsDNA 24 Patrones de IFI en Anti-dsDNA. 25 Procesamiento de Imágenes 26 Preprocesamiento. 27 Segmentación. 28 Sistemas de clasificación 29 Deep Learning. 29 Redes Neuronales Convolucionales (CNN). 30 Transfer Learning. 32 Dropout. 32 Data Augmentation. 33 Marco Legal 34 Estado Del Arte 35 Capitulo III 41 Metodología 41 Etapa I 42 Caracterización de la base de datos 42 Selección de la técnica de Inteligencia Artificial a utilizar 44 Selección de las técnicas de procesamiento de imágenes a utilizar 48 Etapa II 55 Selección del lenguaje de programación y el entorno de desarrollo 55 Desarrollo del código de procesamiento de imágenes 56 Desarrollo del algoritmo de IA 58 Diseño y desarrollo de la interfaz gráfica 59 Etapa III 60 Capitulo IV 61 Resultados y Análisis de Resultados 61 Etapa I 61 Caracterización de la base de datos 61 Selección de la técnica de Inteligencia Artificial a utilizar 61 Selección de las técnicas de procesamiento de imágenes a utilizar 62 Etapa II 66 Selección del lenguaje de programación y el entorno de desarrollo 66 Desarrollo del código de procesamiento de imágenes 67 Desarrollo del algoritmo de IA 74 Modelo Anti-dsDNA. 80 Diseño y desarrollo de la interfaz gráfica 83 Integración de los modelos al software. 85 Manual de usuario. 85 Etapa III 85 Pruebas de la interfaz gráfica integrando los modelos de clasificación 86 Pruebas de aceptación de usuarios 91 Entrega de documentación, capacitación y encuesta de satisfacción al usuario 92 Capitulo V 97 Conclusiones y Recomendaciones 97 Trabajo futuro 99 Bibliografía 100 Anexos 106spa
dc.format.mimetypeapplication/pdfspa
dc.identifier.instnameinstname:Universidad Autónoma de Bucaramanga - UNABspa
dc.identifier.reponamereponame:Repositorio Institucional UNABspa
dc.identifier.repourlrepourl:https://repository.unab.edu.cospa
dc.identifier.urihttp://hdl.handle.net/20.500.12749/25248
dc.language.isospaspa
dc.publisher.facultyFacultad Ingenieríaspa
dc.publisher.grantorUniversidad Autónoma de Bucaramanga UNABspa
dc.publisher.programPregrado Ingeniería Biomédicaspa
dc.publisher.programidIBM-1788
dc.relation.referencesAcevedo, A., Merino, A., Alférez, S., Molina, Á., Boldú, L., & Rodellar, J. (2020). A dataset of microscopic peripheral blood cell images for development of automatic recognition systems. Data in brief, 30.spa
dc.relation.referencesÁlvarez-Alvarado, José & Moreno, G.J. & Obregón-Biosca, Saul & Ronquillo, Guillermo & Ventura-Ramos, Eusebio & Trejo-Perea, Jr. (2021). Hybrid Techniques to Predict Solar Radiation Using Support Vector Machine and Search Optimization Algorithms: A Review. Applied Sciences. 11. 1044. 10.3390/app11031044.spa
dc.relation.referencesAjemba, P., Scott, R., Ramachandran, J., Zeineh, J., Donovan, M., Fernández, G., Liu, Q., & Khan, F. (2017). Sistemas y procedimientos para la segmentación y el procesamiento de imágenes de tejidos y extracción de características de estos para tratar, diagnosticar o predecir afecciones médicas. US.spa
dc.relation.referencesCascio, D., Taormina, V., & Raso, G. (2019). Deep CNN for IIF images classification in autoimmune diagnostics. Applied Sciences, 9(8), 1618.spa
dc.relation.referencesChatterjee, S., Ghosh, S., Dawn, S., Hore, S., & Dey, N. (2016). Forest Type Classification: A hybrid NN-GA model based approach. In Information Systems Design and Intelligent Applications: Proceedings of Third International Conference INDIA 2016, Volume 3 (pp. 227-236). Springer India.spa
dc.relation.referencesChiang, Yen-Ming & Chang, Li-Chiu & M.-J, Tsai & Y.-F, Wang & Chang, Fi-John. (2010). Dynamic neural networks for real-time water level predictions of sewerage systems – covering gauged and ungauged sites. Hydrology and Earth System Sciences Discussions. 14. 10.5194/hessd-7-2317-2010.spa
dc.relation.referencesChy, T. S., & Rahaman, M. A. (2019, January). A comparative analysis by KNN, SVM & ELM classification to detect sickle cell anemia. In 2019 International conference on robotics, electrical and signal processing techniques (ICREST) (pp. 455-459). IEEE.spa
dc.relation.referencesCongreso de la República de Colombia. (1882). Ley 23 de 1982. Por lo cual se expide Ley sobre derechos de autor.spa
dc.relation.referencesCongreso de la República de Colombia. (2012). Ley estatutaria 1581 de 2012. Por lo cual se expide Ley Estatutaria sobre disposiciones generales para la protección de datos personales.spa
dc.relation.referencesConvolutional Neural Network (CNN). (2018, abril 23). NVIDIA Developer. https://developer.nvidia.com/discover/convolutional-neural-network.spa
dc.relation.referencesCsernok, E., & Moosig, F. (2014). Current and emerging techniques for ANCA detection in vasculitis. Nature Reviews Rheumatology, 10(8), 494-501.spa
dc.relation.referencesDeng, L., & Yu, D. (2014). Deep learning: methods and applications. Foundations and trends® in signal processing, 7(3–4), 197-387.spa
dc.relation.referencesDey, N., Roy, A. B., Das, P., Das, A., & Chaudhuri, S. S. (2012, November). Detection and measurement of arc of lumen calcification from intravascular ultrasound using Harris corner detection. In 2012 NATIONAL CONFERENCE ON COMPUTING AND COMMUNICATION SYSTEMS (pp. 1-6). IEEE.spa
dc.relation.referencesE Woods, R., & C Gonzalez, R. (2008). Digital image processing.spa
dc.relation.referencesGarbin, C., Zhu, X., & Marques, O. (2020). Dropout vs. batch normalization: an empirical study of their impact to deep learning. Multimedia tools and applications, 79(19), 12777-12815.spa
dc.relation.referencesGonzález, R. C., & Woods, R. E. (1996). Tratamiento digital de imágenes. Addison-Wesley Publishing Co.spa
dc.relation.referencesGerlach, S., Affeldt, K., Pototzki, L., Krause, C., Voigt, J., Fraune, J., & Fechner, K. (2015). Automated evaluation of Crithidia luciliae based indirect immunofluorescence tests: a novel application of the EUROPattern-Suite technology. Journal of immunology research, 2015.spa
dc.relation.referencesHahn, B. H. (1998). Antibodies to DNA. New England Journal of Medicine, 338(19), 1359-1368.spa
dc.relation.referencesHosny, A., Parmar, C., Quackenbush, J., Schwartz, L. H., & Aerts, H. J. (2018). Artificial intelligence in radiology. Nature Reviews Cancer, 18(8), 500-510.spa
dc.relation.referencesJayapalan, S. K., & Anuar, S. (2022). Transfer Learning Based Network Performance Comparison of the Pre-Trained Deep Neural Networks using MATLAB. Open International Journal of Informatics, 10(Special Issue 1), 27-40.spa
dc.relation.referencesKuo, C.-F., Lin, C.-H., Chen, Y.-L., & Chiou, M.-J. (2018). Classification system and classification method of autoantibody immunofluorescence image. US.spa
dc.relation.referencesLakos, G., Gonzalez, M., Flaherty, D., Bentow, C., Ibarra, C., Stimson, D., ... & Dervieux, T. (2016). Detection of anti-dsDNA antibodies by computer-aided automated immunofluorescence analysis. Journal of Immunological Methods, 433, 17-22.spa
dc.relation.referencesLemley, J., Bazrafkan, S., & Corcoran, P. (2017). Deep Learning for Consumer Devices and Services: Pushing the limits for machine learning, artificial intelligence, and computer vision. IEEE Consumer Electronics Magazine, 6(2), 48-56.spa
dc.relation.referencesLiu, X., Song, L., Liu, S., & Zhang, Y. (2021). A review of deep-learning-based medical image segmentation methods. Sustainability, 13(3), 1224.spa
dc.relation.referencesMansi, I. A., Opran, A., & Rosner, F. (2002). ANCA-associated small-vessel vasculitis. American family physician, 65(8), 1615-1621.spa
dc.relation.referencesMari, A., Bromley, T. R., Izaac, J., Schuld, M., & Killoran, N. (2020). Transfer learning in hybrid classical-quantum neural networks. Quantum, 4, 340.spa
dc.relation.referencesMinisterio de Salud y Protección Social. (1989). Decreto 1360 de 1989, Por el cual se reglamenta la inscripción del soporte lógico (software) en el Registro Nacional del Derecho de Autor.spa
dc.relation.referencesMinisterio de Salud y Protección Social. (1993). Resolución Número 8430 de 1993. Por la cual se establecen las normas científicas, técnicas y administrativas para la investigación en salud.spa
dc.relation.referencesMirapeix, E., Bosch, X., & Revert, L. L. (1991). Anticuerpos anticitoplasmáticos (ANCA). Vasculitis y glomerulonefritis. Nefrología, 11(5), 386-397.spa
dc.relation.referencesMikołajczyk, A., & Grochowski, M. (2018, May). Data augmentation for improving deep learning in image classification problem. In 2018 international interdisciplinary PhD workshop (IIPhDW) (pp. 117-122). IEEE.spa
dc.relation.referencesMoreno Luna, P. C. (2021). Detección automática de melanoma aplicando métodos de aprendizaje profundo para el procesamiento y análisis de imágenes dermatológicas.spa
dc.relation.referencesNagy, G., Csípő, I., Tarr, T., Szűcs, G., Szántó, A., Bubán, T., ... & Antal-Szalmás, P. (2020). Anti-neutrophil cytoplasmic antibody testing by indirect immunofluorescence: computer-aided versus conventional microscopic evaluation of routine diagnostic samples from patients with vasculitis or other inflammatory diseases. Clinica Chimica Acta, 511, 117-124.spa
dc.relation.referencesNavas Luquez, M. (2020). Comparación de modelos de aprendizaje automático para la predicción de células cancerígenas a partir del complejo MHC I.spa
dc.relation.referencesPayne, A., Chudzik, P., IRVING, B. J., DIJKSTRA, A., & Tarassenko, L. (2021). Image classification of diagnostic tests. UK.spa
dc.relation.referencesRahman, S., Wang, L., Sun, C., & Zhou, L. (2020). Deep learning based HEp-2 image classification: A comprehensive review. Medical Image Analysis, 65, 101764.spa
dc.relation.referencesRomero-Sánchez, C., Benavides-Solarte, M., Galindo-Ibáñez, I., Ospina-Caicedo, A. I., Parra-Izquierdo, V., Chila-Moreno, L., ... & Bello-Gualtero, J. M. (2020). Frecuencia de ANCA positivos en una población con síntomas clínicos sugestivos de enfermedad autoinmune y la interferencia de ANA en su interpretación. Reumatología clínica, 16(6), 473-479.spa
dc.relation.referencesRose, N. R., & Mackay, I. R. (2006). Autoimmune diseases: Pathogenesis, diagnosis, and therapeutics. Journal of Autoimmunity, 27(2), 69-70.spa
dc.relation.referencesSantosh, K. C., & Nattee, C. (2009). A comprehensive survey on on-line handwriting recognition technology and its real application to the Nepalese natural handwriting. Kathmandu University Journal of Science, Engineering, and Technology, 5(I), 31-55.spa
dc.relation.referencesSavige, J., Pollock, W., & Trevisin, M. (2005). What do antineutrophil cytoplasmic antibodies (ANCA) tell us?. Best practice & research Clinical rheumatology, 19(2), 263-276.spa
dc.relation.referencesSegui, P. (2022, diciembre 16). Interfaz de usuario: Qué es y cómo diseñar una UI. OVACEN. https://ovacen.com/diseno-interfaz-usuario-ui/spa
dc.relation.referencesSinico, R. A., & Radice, A. (2014). Antineutrophil cytoplasmic antibodies (ANCA) testing: detection methods and clinical application. Clin Exp Rheumatol, 32(3 Suppl 82), S112-7.spa
dc.relation.referencesSokollik, C., Pahud de Mortanges, A., Leichtle, A. B., Juillerat, P., & Horn, M. P. (2023). Machine Learning in Antibody Diagnostics for Inflammatory Bowel Disease Subtype Classification. Diagnostics, 13(15), 2491.spa
dc.relation.referencesSrivastava, N., Hinton, G., Krizhevsky, A., Sutskever, I., & Salakhutdinov, R. (2014). Dropout: a simple way to prevent neural networks from overfitting. The journal of machine learning research, 15(1), 1929-1958.spa
dc.relation.referencesStenman, S., Bychkov, D., Kücükel, H., Linder, N., Haglund, C., Arola, J., & Lundin, J. (2020). Antibody supervised training of a deep learning based algorithm for leukocyte 105 segmentation in papillary thyroid carcinoma. IEEE journal of biomedical and health informatics, 25(2), 422-428.spa
dc.relation.referencesTian, J., Zhang, D., Yao, X., Huang, Y., & Lu, Q. (2023). Global epidemiology of systemic lupus erythematos us: a comprehensive systematic analysis and modeling study. Annals of Rheumatic Diseases, 82(3), 351-356.spa
dc.relation.referencesWang, Haibo & Cruz-Roa, Angel & Basavanhally, Ajay & Gilmore, Hannah & Shih, Natalie & Feldman, Mike & Tomaszewski, John & González, Fabio & Madabhushi, Anant. (2014). Mitosis detection in breast cancer pathology images by combining handcrafted and convolutional neural network features. Journal of Medical Imaging. 1. 1-8. 10.1117/1.JMI.1.3.034003.spa
dc.relation.referencesXie, Q., Chen, P., Li, Z., & Xie, R. (2023). Automatic Segmentation and Classification for Antinuclear Antibody Images Based on Deep Learning. Computational Intelligence and Neuroscience, 2023.spa
dc.relation.referencesPouliakis, Abraham & Karakitsou, Effrosyni & Margari, Niki & Bountris, Panagiotis & Haritou, Maria & Panayiotides, John & Koutsouris, Dimitrios & Karakitsos, Petros. (2016). Artificial Neural Networks as Decision Support Tools in Cytopathology: Past Present and Future. Biomed Eng Comput Biol. 2016. 1-18. 10.4137/BECB.S31601.spa
dc.relation.referencesLuo, Keliang & Wang, Xinyi & Zou, Qingfeng. (2023). AI Artist with Reinforcement Learning and Graph Neural Network. Highlights in Science, Engineering and Technology. 39. 1005-1016. 10.54097/hset.v39i.6694.spa
dc.relation.uriapolohttps://apolo.unab.edu.co/en/persons/manuel-hernando-franco-arias-2spa
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 2.5 Colombia*
dc.rights.localAbierto (Texto Completo)spa
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/2.5/co/*
dc.subject.keywordsBiomedical engineeringspa
dc.subject.keywordsArtificial intelligencespa
dc.subject.keywordsAutoinmune diseasesspa
dc.subject.keywordsTransfer learningspa
dc.subject.keywordsRegularizationspa
dc.subject.keywordsImage processingspa
dc.subject.keywordsEngineeringspa
dc.subject.keywordsBioengineeringspa
dc.subject.keywordsMedicinespa
dc.subject.keywordsBiomedicalspa
dc.subject.keywordsAntinuclear antibodiesspa
dc.subject.keywordsAutoantibodiesspa
dc.subject.keywordsFluorescent antibody techniquespa
dc.subject.keywordsFluorescence microscopyspa
dc.subject.lembIngeniería biomédicaspa
dc.subject.lembIngenieríaspa
dc.subject.lembBioingenieríaspa
dc.subject.lembMedicinaspa
dc.subject.lembBiomédicaspa
dc.subject.lembAnticuerpos antinuclearesspa
dc.subject.lembAutoanticuerposspa
dc.subject.lembTécnica de anticuerpos fluorescentesspa
dc.subject.lembMicroscopía de fluorescenciaspa
dc.subject.proposalInteligencia artificialspa
dc.subject.proposalEnfermedades autoinmunesspa
dc.subject.proposalRegularizaciónspa
dc.subject.proposalProcesamiento de imágenesspa
dc.subject.proposalTransferencia de aprendizajespa
dc.titleDesarrollo de un sistema de clasificación de imágenes de anticuerpos anticitoplasma de neutrófilos y anti-dna de doble cadena basado en técnicas de inteligencia artificialspa
dc.title.translatedDevelopment of an image classification system for Neutrophil Anti-Cytoplasmic and Double-Stranded Anti-DNA Antibody based on artificial intelligence techniques.spa
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1f
dc.type.coarversionhttp://purl.org/coar/version/c_ab4af688f83e57aaspa
dc.type.driverinfo:eu-repo/semantics/bachelorThesis
dc.type.hasversioninfo:eu-repo/semantics/acceptedVersion
dc.type.localTrabajo de Gradospa
dc.type.redcolhttp://purl.org/redcol/resource_type/TP

Archivos

Bloque original

Mostrando 1 - 2 de 2
Miniatura
Nombre:
Tesis.pdf
Tamaño:
10.21 MB
Formato:
Adobe Portable Document Format
Descripción:
Tesis
Descargar
Miniatura
Nombre:
Licencia.pdf
Tamaño:
906.46 KB
Formato:
Adobe Portable Document Format
Descripción:
Licencia
Descargar

Bloque de licencias

Mostrando 1 - 1 de 1
Miniatura
Nombre:
license.txt
Tamaño:
829 B
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar

Colecciones

Pregrado Ingeniería Biomédica