Se encontraron 20 investigaciones
El presente proyecto desarrollará una plataforma computacional para el procesamiento automático de micrografías digitales de muestras vivas de semen con el fin de determinar la capacidad de fertilidad masculina, para ello se desarrollarán algoritmos computacionales que permitan de forma automática la detección de las células espermáticas con lo que se busca diferenciar a estas de posibles artefactos presentes en la muestra, determinando las características morfológicas y de motilidad de los espermatozoides para, de acuerdo a los estándares definidos por la OMS, se diagnostique la capacidad de fertilización del paciente en análisis. Los sistemas CASA existentes en el mercado son de tipo semi-automático, además de su alto costo, poseen tecnología computacional cerrada que no permite modificación alguna del código en el cual fueron desarrollados, para ello, con el presente proyecto se busca desarrollar la tecnología propia que permita adecuar la plataforma de análisis de semen a las diferentes condiciones que pueda presentar una muestra. Al finalizar el proyecto, este know how podrá ser extendido para el análisis de otros tipos de muestras de semen, que pueden provenir de animales, lo cual es útil para la conservación y mejoramiento genético de animales de producción con registros numéricos, como es el caso de vacunos y alpacas. Además también se formará personal especializado en la aplicación de algoritmos de visión computacional a diferentes problemas del país.
Participantes:
Instituciones participantes:
Nuestra propuesta busca replicar el trabajo realizado por el experto en control de calidad de CECOVASA, quien realiza dos tipos de análisis: Perfil de taza y rendimiento. Nuestra propuesta está orientada a automatizar el análisis de rendimiento del café verde, lo cual consiste en cuantificar la cantidad de defectos que presenta una muestra de café. Estos defectos pueden ser primarios o secundarios. Los defectos primarios están referidos a los granos negros (por defecto de producción) y granos marrones (por fermento). Los defectos secundarios están referidos a: parcial brocado y brocado leve (ocasionado por el insecto de nombre broca que pica al grano), inmaduro (por la cosecha temprana), partidos (ocasionados por la máquina de pilado o por manipulación en el transporte, blanqueado (secado excesivo), conchas (malformación genética), hongueado, sobrefermento (parcialmente marrón). En el presente proyecto se implementará un equipamiento que sirva para la adquisición de imágenes bajo condiciones de iluminación controladas de la muestra, y esté conectado a un computador donde se desarrolle el análisis de rendimiento a través de un software de análisis de imágenes, que también será desarrollado como parte del proyecto. Respecto al software, este deberá realizar un proceso previo de detección automática de los granos de café en las imágenes de la muestra, luego se tendrá procedimientos de conteo, detección de defectos primarios, detección de defectos secundarios, y estadísticas. Con nuestra innovación también se podrán detectar algunas otras características que no son fácilmente calculadas por el ojo humano, como determinar la distribución de tamaño de la muestra, la distribución de color de los mismos, características cuantificables de textura. Estas medidas permitirán otorgar un mayor valor al grano a ser exportado, en vista que las muestras de pre-embarque podrán llevar consigo esta información digital y/o ser enviada vía internet al cliente extranjero.
Participantes:
Instituciones participantes:
En el diagnóstico por imágenes, el primer paso es determinar si la imagen en tratamiento es normal o anormal, ello requiere de personal radiólogo altamente calificado/entrenado para poder determinarlo, el principal problema es que este proceso se realiza de forma manual y basada en la subjetividad del especialista. Adicionalmente, en el aspecto médico, gracias al desarrollo de computadoras con mayores capacidades de procesamiento y almacenamiento, hoy se disponen de técnicas altamente sofisticadas de adquisición de imágenes tales como resonancia magnética y tomografía computarizada que pueden producir cientos de imágenes por examen. Actualmente el almacenamiento ya no es un problema, pero el uso adecuado y efectivo de los bancos de imágenes médicas de gran escala todavía es un problema que requiere de una solución innovadora. La implementación de un sistema de pre-selección y clasificación de normalidad de imágenes médicas permitirá incrementar la calidad de diagnóstico por imágenes con soporte computacional, adicionalmente permitirá la disminución de los costos de diagnóstico, viabilizando la realización de telerradiología. Al mismo tiempo el desarrollo de un atlas médico, como resultado complementario, junto a una herramienta inteligente de recuperación de imágenes por contenido incrementará el aprovechamiento de las imágenes médicas almacenadas en los centros hospitalarios de forma más eficiente.
Participantes:
Instituciones participantes:
El proyecto consiste en una nueva forma de diagnóstico de especies mediante el análisis de micrografías digitales obtenidas a partir de muestras visualizadas en microscopio óptico, las cuales son analizadas de forma automática por técnicas de visión computacional que detecta, analiza y diagnostica las especie de parásito que está atacando. Esto es posible gracias al incremento, cada vez mayor, de las capacidades computacionales que nos permite que técnicas de visión artificial y procesamiento de imágenes puedan ser aplicados a este tipo de problemas. Nuestro proyecto está compuesto de un modelo computacional de detección automática de huevos de helmintos, el cual comprende dos etapas: (1) Localización de regiones candidatas (regiones de interés) para lo cual fueron aplicadas técnicas como regiones salientes y morfología; (2) Detección de huevos helmintos mediante plantillas generadas por la técnica Direct Least Square Fitting of Ellipses y Dynamic Time Warping para análisis de similitud entre series. En este proceso de detección se consiguió un acierto de 92%. Una vez detectados los objetos de interés se procede al análisis y extracción de características de los mismos para poder generar el modelo de diagnóstico automático. Para ello se han extraído características geométricas, morfológicas y de textura los cuales son representados mediante medidas numéricas que conforman un vector de 8 características. Se consiguió trabajar con 1036 imágenes de huevos de helmintos de ocho diferentes especies. Este conjunto de imágenes sirvió como base de datos de entrenamiento de los modelos de diagnóstico computacional: Modelo Bayesiano, con el cual se consiguió 93.5% de acierto, y el SVM que permitió alcanzar 94.0% de acierto. Gracias a la tecnología web, fue posible llevar nuestro algoritmos para que trabajen en un servidor web, donde el usuario envía sus imágenes para que sean procesadas por nuestro sistema en tiempo real.
Participantes:
Instituciones participantes: