Reconocimiento y clasificación automatizada de especies de polen alergénicas

Abstract

El presente trabajo de tesis doctoral está centrado en la detección de granos de polen en imágenes palinológicas tomadas de muestras estándar utilizando técnicas de aprendizaje profundo. La localización y clasificación de granos de polen es una tarea manual, muy laboriosa, que llevan a cabo palinólogos experimentados para estimar las concentraciones de los tipos de polen atmosférico presentes en distintas áreas geográficas. Este proceso se realiza a partir de muestras obtenidas en captadores de partículas aerobiológicas que, tras un procesamiento, deben visualizarse con un microscopio óptico. La estimación de los distintos tipos de polen resulta de gran utilidad en varios campos de la ciencia como en alergología, agricultura, ciencias forenses o paleopalinología. Desde el año 2012 el campo de la inteligencia artificial ha experimentado un desarrollo muy importante en detección de objetos en imágenes, gracias al exitoso desarrollo de técnicas basadas en redes neuronales convolucionales. Parte del éxito logrado se ha debido a la aparición en el mercado de unidades de procesamiento gráfico con grandes capacidades de cálculo paralelo, pero también resultó importante la recopilación de grandes conjuntos de imágenes clasificadas. Esta tesis doctoral tiene por objetivo principal evaluar la idoneidad de un método basado en redes neuronales convolucionales, que permita realizar la localización y detección de granos de varios tipos de polen de forma robusta. Consideramos éste un primer paso para desarrollar un sistema que pudiese servir de ayuda en un laboratorio de palinología.

This doctoral thesis is focused on the detection of pollen grains in palynological images from standard samples, using deep learning techniques. The localization and classification of pollen grains is a very laborious manual task, which is carried out by experienced palynologists to estimate the concentrations of the different types of atmospheric pollen present in given geographic areas. This process is performed on the basis of samples obtained in aerobiological particle collectors, which after processing, must be visualized with an optical microscope. The estimation of the different pollen types is very useful in several areas of science such as allergology, agriculture, forensic science or paleopalinology. Since 2012, the field of artificial intelligence has achieved a very important progress in image object detection, thanks to the successful development of techniques based on convolutional neural networks. Part of the success achieved has been due to the appearance on the market of graphics processing units with large parallel computing capabilities, but the collection of large sets of classified images was also important. The main objective of this doctoral thesis is to evaluate the suitability of a method based on convolutional neural networks for the localization and detection of grains of pollen of various types in a robust way. This method is considered a first step in the development of a system that could be helpful in a palinology laboratory.