Segmentacion de nematodos en imagenesdigitales usando redes neuronales artificiales

Olman Gomez1 y Pablo Alvarado2

1 Maestrıa en Ciencias de la Computacion,Instituto Tecnologico de Costa Rica

ogs01hn@gmail.com2 Escuela de Ingenierıa ElectronicaInstituto Tecnologico de Costa Rica

palvarado@itcr.ac.cr

Abstract. Nematodes are microscopic organisms, some of which areharmful parasites to plants and animals. Their automatic detection andidentification becomes relevant in the fields of plague control, where bi-ological research seeks to reduce costs and losses related to them. Anessential step to achieve this task is the image segmentation, that aimsto find regions assignable to the background or to the nematodes. Thiswork proposes a two-staged segmentation process. In the first image-based stage a comparison of the PCNN, LEGION, CWAGM and Mean-Shift segmentation algorithms was performed by means of approximationof the Pareto front in a multi-dimensional fitness space. On the secondlevel, MLP, RBF and kNN classifiers were evaluated in their performanceclassifying the IFLT and LBP texture descriptors computed for the re-gions found on the first stage. A precision of 83% was achieved using theCWAGM algorithm in the first level and LBP classified with and MLPon the second stage.

Keywords: artificial neural networks, image segmentation, multi-objec-tive optimization, nematodes, texture analysis

Resumen. Los nematodos son organismos microscopicos, algunos delos cuales son parasitos perjudiciales a plantas y animales. La deteccione identificacion automatica de nematodos cobra relevancia en los cam-pos del control de plagas y la investigacion biologica orientada a reducircostos y perdidas relacionadas con estos organismos. Una etapa esencialpara lograrlo es la segmentacion de imagenes, cuyo objetivo es encontrarregiones y asignarlas ya sea al fondo o a los nematodos. En este traba-jo se propone un proceso de segmentacion a dos niveles. En el primernivel basado en imagenes, se realizo una comparacion multi-objetivo delos algoritmos PCNN, LEGION, CWAGM y Mean-Shift por medio defrentes de Pareto. En el segundo nivel, se evaluaron los algoritmos MLP,RBF y kNN en la clasificacion de los descriptores de textura IFLT y LBPcalculados para las regiones encontradas en el primer nivel. Se logro una

precision de 83 % usando CWAGM en el primer nivel y LBP junto aMLP en el segundo.

Palabras clave: redes neuronales artificiales, segmentacion de image-nes, optimizacion multi-objetivo, nematodos, analisis de textura

1. Introduccion

Los nematodos son los animales multicelulares mas numerosos en la tierra.Son organismos microscopicos, algunos de los cuales son parasitos de plantas yanimales. Los nematodos fitoparasitos pueden causar desde danos insignificanteshasta la destruccion total de las plantas. La severidad del dano depende de fac-tores tales como la combinacion de especies de plantas y nematodos, ademas defactores externos como clima, tipos de suelo, etc. La busqueda de mecanismosde control biologico de nematodos fitoparasitos se basa en el analisis de cientoshasta miles de muestras, que requieren fuertes inversiones en tiempos de espe-cialistas en tareas rutinarias con alto potencial de automatizacion. El desarrollode herramientas computacionales para brindar apoyo a biologos y nematologospermitirıa acelerar procesos de identificacion, conteo y analisis de comportamien-to, orientados a la busqueda de reduccion del impacto de estos organismos encultivos de musaceas, cıtricos, tuberculos, etc.

La segmentacion de los nematodos en imagenes digitales es esencial para unsistema de deteccion e identificacion de estos organismos, y su exito depende deldesempeno de los algoritmos utilizados. Es por esto que su evaluacion cuantita-tiva es necesaria en la busqueda de un sistema optimo. En el presente trabajo sepropone para esta tarea un modulo de segmentacion a dos niveles de imagenesdigitales. El primer nivel tiene como objetivo separar la imagen en regiones ho-mogeneas con respecto a su distribucion de niveles de gris. Luego, en el segundonivel se extraen descriptores de textura para cada una de las regiones, en los quese basara su clasificacion como pertenecientes a los nematodos o al fondo de laimagen. En la figura 1 se presenta un esquema general de la propuesta.

Segmentador

CombinadoresEvaluación

Pre

pro

cesa

mie

nto

Segmentación

Primer Nivel

Extracción de

caracteristicas

de textura e

intensidad

Regiones

EtiquetadasRegionesImagen

Segmentación

Segundo Nivel

IFLT

LBP

Descriptores

kNN

RBF

MLP

Clasificadores

Boosting

Bagging

PCNN

Legion

Cuencas+Grafos

Mean−shift

Figura 1. Diagrama Conceptual

Para el primer nivel de segmentacion se evaluan cuatro algoritmos: PCNN,LEGION, CWAGM y traslacion de media (Mean-Shift). Para realizar la seg-

mentacion de segundo nivel, se evaluaron los descriptores de caracterısticas in-variantes de texturas locales (IFLT) y de patrones binarios locales (LBP). Estosson asignados a regiones de nematodos o de fondo utilizando clasificadores RBF,MLP y kNN.

En la siguiente seccion se presenta brevemente el estado del arte de la seg-mentacion de imagenes de nematodos. Posteriormente se presentan los metodosutilizados para las etapas de primer y segundo nivel. La seccion 4 resume losresultados obtenidos en las comparaciones entre algoritmos y sus parametriza-ciones. Las conclusiones del trabajo se resumen en la seccion 5.

2. Trabajos Previos

La deteccion de nematodos por medios automaticos es un area que ha si-do poco explorada y de la que se puede encontrar escasa informacion sobre losesfuerzos llevados a cabo. Las aplicaciones de software tambien son escasas [2].Generalmente la literatura describe sistemas destinados al estudio de nematodosque buscan la clasificacion, rastreo y analisis de comportamiento de los nema-todos como su locomocion [9,10,17] y en los cuales, la segmentacion se realizaen imagenes donde el nematodo es el objeto mejor enfocado y predominante enla imagen, en donde un algoritmo de segmentacion por umbral es suficiente. Elpresente trabajo representa una etapa inicial de una herramienta de conteo enmuestras de uso cotidiano en el laboratorio, en donde lo anterior no se cumple.

Algunos sistemas pretenden la identificacion de los nematodos basandoseen aspectos morfologicos, en donde se busca encontrar una concordancia entreuna plantilla de algun organo del nematodo y alguna forma encontrada en laimagen segmentada [13]. En [16] se describe un sistema para la identificacionde nematodos usando para la segmentacion una red neuronal competitiva auto-organizativa.

Ninguno de los trabajos encontrados hasta el momento realiza segmentacionde nematodos a multiples niveles.

3. Materiales y metodos

3.1. Segmentacion: Primer Nivel

El objetivo principal del primer nivel de segmentacion es agrupar pıxelesutilizando exclusivamente sus propiedades en el contexto de la imagen, comopor ejemplo, sus niveles de gris. Existen varios paradigmas para realizar estetipo de segmentacion [1]. En este trabajo se comparan objetivamente cuatroalgoritmos: dos basados en estrategias convencionales y dos basados en redesneuronales artificiales.

El primer metodo a evaluar en el contexto de esta aplicacion es el algoritmoCWAGM [1], que combina una etapa de segmentacion por cuencas (watersheds)con un proceso de combinacion de regiones que utiliza eliminacion de bordesen grafos de adyacencia. El segundo metodo evaluado es la segmentacion por

desplazamiento de medias (Mean-Shift) [4] que realiza la segmentacion por mediode un proceso de aglomeracion en el espacio de caracterısticas.

El algoritmo de segmentacion LEGION [6] (red oscilatoria localmente exci-tatoria globalmente inhibitoria) se basa en el analisis dinamico de osciladores.Despues de un numero de ciclos de oscilaciones bloques de osciladores corres-pondientes a una unica region de la imagen, oscilaran en sincronıa. Dos bloquescorrespondientes a dos regiones diferentes se desincronizaran entre sı.

Las redes neuronales acopladas por pulsos PCNN [12] contienen dos compar-timentos principales: el compartimento de alimentacion (feeding) y el comparti-mento de enlace (linking). Cada uno se comunica con neuronas vecinas a travesde pesos sinapticos M y W respectivamente. Ademas, cada compartimento retie-ne su estado previo pero con un factor de decaimiento. El estımulo S ingresa enel compartimento de alimentacion, junto con salidas pasadas de otras neuronasdecaıdas exponencialmente en el tiempo. Tambien el compartimento de enlacerecibe estas salidas. La salida de ambos compartimentos se combina para crearel estado U de la neurona, el cual se compara con un umbral dinamico Θ paraproducir la salida Y . La segmentacion se da como resultado de la acumulacionde pulsos ponderados en cada iteracion.

3.2. Evaluacion de la segmentacion de primer nivel

El primer nivel de segmentacion usualmente produce una sobre-segmentacion,pues solo toma en cuenta criterios de homogeneidad de las caracterısticas ob-tenidas directamente de la imagen. Aunque las regiones encontradas aquı noconformaran necesariamente un objeto especıfico en una correspondencia unoa uno, se espera que las regiones formen parte del objeto y tengan el tamanosuficiente para que sus descriptores permitan su clasificacion en la siguiente fasede segmentacion.

Para la evaluacion de la segmentacion a este nivel se utiliza un frente de Pa-reto P , conformado por un conjunto de soluciones optimas segun un criterio deno-dominancia entre multiples valores de aptitud que compiten entre sı. Esto es,el frente esta compuesto por aquellas parametrizaciones o algoritmos que produ-cen valores de aptitud tales que son mejores que todas las otras parametrizacionen al menos una dimension de la aptitud.

El calculo de los valores de aptitud se realiza con respecto a un conjunto dereferencia o conjunto dorado G. En el presente trabajo este conjunto se obtuvomediante la segmentacion manual de varias imagenes tomadas como imagenesde referencia. De cada imagen de referencia se obtuvo una mascara, en la cuala los pıxeles pertenecientes a nematodos se les asigna el valor numerico dos,mientras que a lo demas presente en la imagen, ya sea fondo u otros objetos,se les asigna el valor de uno. Las imagenes de referencia forman el conjuntoGI = {Ii|i = 1...n} y las mascaras forman el conjunto de segmentacion dereferencia GS = {Si|i = 1...n}. Las funciones de aptitud evaluaran las diferen-cias entre Si = Au(Ii), que resulta de la aplicacion del algoritmo A utilizandoparametros u, y la segmentacion de referencia Si. Se usan las funciones de ap-

titud [1]: 1. Precision potencial respecto a pıxeles 2. Contenido de informacionrespecto a region 3. Rendimiento

La funcion de precision potencial respecto a pıxeles mide hasta donde es po-sible asignar cada region de la segmentacion evaluada Si a una region de lasegmentacion de referencia Si asumiendo un clasificador perfecto. Matematica-mente

fpa(Au, G) =∑

〈Ii,Si〉∈G

∑Rj∈Si

∣∣P (Rj , Au(Ii))∣∣

∑Rj∈Si

|Rj |(1)

donde P (Rj , Si) denota el conjunto de pıxeles en la region Rj pertenecientestambien a aquellas regiones de Si que se traslapan al maximo con la region Rj :

P (Rj , Si) ={p | p ∈ Rj ∧ p ∈ Rk,Rk ∈ Si, j = arg max

l|Rk∩Rl|

}(2)

La funcion de contenido de informacion respecto a region mide la proporcionde informacion de la region de referencia disponible dentro de una sola regiondetectada, asumiendo que la informacion sobre la region de referencia esta uni-formemente distribuida entre sus pıxeles. Se calcula con

fri(Au, G) =

∑〈Ii,Si〉∈G

∑Rj∈Au(Ii)

wri(Rj)

|Rk=arg maxl |Rj∩Rl|||Q(Rj , Si)|∑

〈Ii,Si〉∈G

∑Rj∈Au(Ii)

wri(Rj)(3)

donde el conjunto Q representa a los pıxeles de la region Rj que tambien perte-necen a la region de referencia Rk trasapada en mayor proporcion por Rj , estoes

Q(Rj , Si) ={p | p ∈ Rj ∧ p ∈ Rk,Rk ∈ Si, k = arg max

l|Rj ∩Rl|

}(4)

y la funcion ponderadora

wri(Rj) =

{1 if |Rk| ≥ r, k = arg max

l|Rj∩Rl|

0 en el resto .(5)

Las funciones elegidas miden aptitudes que compiten entre sı, y un algoritmogenetico trata de encontrar parametrizaciones que produzcan segmentacionescercanas en terminos de sus aptitudes a las segmentaciones de referencia dadas.La funcion de rendimiento fue incluida de modo que si dos parametrizacionesproducen los mismos valores para las primeras funciones de aptitud, el algoritmocon mejor rendimiento serıa entonces el elegido.

El proceso de optimizacion que encuentra las parametrizaciones de los al-goritmos se realiza con una variante del algoritmo PESA [5]. Este algoritmogenetico aproxima iterativamente el frente de Pareto buscando individuos nodominados por medio de la combinacion de los parametros que dieron origen alos individuos mas aptos encontrados en una generacion.

3.3. Segmentacion: Segundo nivel

El objetivo del segundo nivel es incorporar en el proceso de segmentacioninformacion sobre la aplicacion concreta. En este caso, redes neuronales se uti-lizan para aprender sobre la apariencia de nematodos y del fondo, de modo quesea posible posteriormente asignar a las regiones detectadas en el primer nivella clase a la cual pertenecen con mayor probabilidad. La clasificacion se realizasobre descriptores de textura (IFLT o LBP) utilizando clasificadores neuronales(RBF y MLP) o estadısticos (kNN).

Descriptores de Textura El algoritmo de descripcion de textura IFLT [11]extrae caracterısticas invariantes a rotacion en un vecindario de pıxeles P conradio R alrededor de un pıxel central. El algoritmo IFLT trata de describirtextura basandose en gradientes, tomando en cuenta que las imagenes de texturasgeneralmente tienen campos complejos de gradientes. Un vector normalizadode diferencia de intensidades de pıxeles vecinos al pıxel central es analizadoutilizando la transformada wavelet de Haar, y la media y desviacion estandar delas distribuciones de energıa en las bandas resultantes conforman al descriptorde textura invariante al escalado y la rotacion para el pıxel central del vecindarioevaluado.

Para obtener el descriptor de toda una region, se crea un histograma de lascuatro dimensiones de los descriptores de todos los pıxeles dentro de la region.Para evitar un incremento fuerte en la dimension de los histogramas finales, queafectarıa negativamente el desempeno de los clasificadores, se propone en estetrabajo utilizar histogramas asimetricos por medio de aglomeracion. En esteproceso el espacio de caracterısticas no es dividido homogeneamente en hiper-prismas rectangulares, sino que se especifica el numero k de regiones en que sedesea partir dicho espacio. Por medio del algoritmo de k-medias [7] se encuen-tran los centroides para los k conglomerados encontrados en dicho espacio, queminimizan la distancia L2 de los centroides hacia todos los puntos. El histogra-ma lo conforman entonces el numero de puntos que se asignan a cada centroide,donde la asignacion se realiza buscando el centroide mas cercano.

El algoritmo de extraccion de descriptores de textura LBP [14] consiste enla aplicacion de operadores de textura que juntos son invariantes a cualquiertransformacion monotonica en escala de grises. Esta basado en las propieda-des de patrones uniformes binarios locales de textura. Estos son transicioneso discontinuidades en la presentacion circular del patron, que corresponden amicro-caracterısticas primitivas.

Clasificadores Para clasificar los descriptores de textura se evaluaron tres cla-sificadores: dos basados en redes neuronales artificiales [3] (perceptron multicapaMLP y red de funciones de base radial RBF) y el clasificador estadıstico de kvecinos mas cercanos (kNN) [7]. Los MLP se utilizan como representantes declasificadores que dividen completamente el espacio de caracterısticas por mediode hiperplanos; las RBF se emplean como representantes de clasificadores selec-tivos que asignan clases a regiones hiperesfericas. Finalmente los kNN se utilizan

como representantes de clasificadores estadısticos que estiman probabilidades depertenencia a una determinada clase.

Para mejorar la precision de la clasificacion se utilizo el combinador de clasi-ficadores AdaBoost [8], el cual se basa en la generacion de clasificadores debiles(aquellos cuyo desempeno es un poco mejor que el tanteo aleatorio) para for-mar un clasificador compuesto fuerte y reducir significativamente el error. Elalgoritmo recibe pares de entrenamiento (x, y) correspondientes a un vector xde caracterısticas junto con una etiqueta y de pertenencia a determinada clase.AdaBoost trata de encontrar una hipotesis hf tal que hf (xi) = yi para la ma-yorıa de los N pares de entrenamiento y busca una hipotesis final con error bajoen relacion a una distribucion D en los pares de entrenamiento.

3.4. Evaluacion del segundo nivel de segmentacion

La evaluacion se lleva a cabo realizando una tecnica de referencia cruzadadenominada “leave one out” (dejar uno por fuera) [7], que consiste en entrenarel clasificador con n − 1 patrones de entrenamiento, donde n es el numero depatrones de entrenamiento disponibles; y luego validar la clasificacion aplicandoel clasificador al patron que quedo fuera. Esto se hace en una serie de iteracionestomando un patron diferente en cada una hasta que todos los patrones sirvieronde patron validador. En el caso de este trabajo, se toma toda una imagen comopatron; es decir, que teniendo un numero n de imagenes de entrenamiento, seusan las n−1 imagenes para entrenar y una imagen para validar, donde en cadaimagen de entrenamiento, a una serie de regiones segmentadas en primer nivelse les extraeran descriptores, luego seran usados para entrenar la red; mientrasque en la imagen de validacion, las regiones seran clasificadas.

En cada iteracion, se acumulan los resultados de clasificacion mediante el usode matrices de confusion. La matriz de confusion C [18] es una matriz N ×N ,donde N es el numero de clases. Las columnas de esta matriz correspondena las clases a las que realmente pertenecen los objetos, mientras que las filascorresponden a las clases a las cuales fueron asignados los objetos. Un elementocij es un objeto que pertenece a la clase j y fue clasificado como que pertenecea la clase i.

La matriz de confusion cruda correspondera a la acumulacion en cada ite-racion de la clasificacion de las regiones de la imagen de validacion, usando elclasificador entrenado con el resto de las imagenes. La matriz de sensibilidadda la probabilidad de que un objeto de determinada clase sea correctamenteasignado y se obtiene dividiendo los elementos de C cruda entre el numero deobjetos en la correspondiente clase verdadera. La matriz de valor predictivo po-sitivo (PPV) da la probabilidad que un objeto asignado a una clase en realidadpertenezca a esa clase y se obtiene dividiendo los elementos de cada fila entre elnumero total de objetos asignados a esa clase.

El codigo fue programado en C++ y se utilizo la biblioteca de procesamientode imagenes LTI-Lib-2, en un ambiente GNU/Linux.

4. Resultados

4.1. Primer Nivel de Segmentacion

Para la generacion de los frentes de Pareto con PESA se utilizo una proba-bilidad de cruzamiento de 70 % y por lo tanto hay 30 % de probabilidad generarun individuo por mutacion. Si hay cruzamiento, cada bit es heredado con igualprobabilidad de cada padre. El algoritmo trabaja con una poblacion externa (re-presentacion de la aproximacion actual del frente de Pareto) de 1000 individuosy con una poblacion interna (nuevos candidatos a incluir en el frente) de 16 in-dividuos. El conjunto de imagenes de referencia esta constituido por 6 imagenescon un tamano de 640×480 pıxeles.

Los frentes de Pareto con las dos funciones de aptitud descritas anteriormentese muestran en la figura 2, y permiten comparar el desempeno de los cuatroalgoritmos (PCNN, LEGION, Mean-Shift y CWAGM) en una sola grafica. El

0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

0.95 0.955 0.96 0.965 0.97 0.975 0.98 0.985 0.99 0.995 1

CWAGMMean-Shift

PCNNLegion

Precision potencial respecto a pıxeles

Con

tenidoregion

aldeinform

acion

Figura 2. Comparacion de los algoritmos con dos funciones de aptitud

eje horizontal corresponde a la funcion de aptitud de precision potencial respectoa pıxeles, mientras que el eje vertical corresponde a la funcion de contenido deinformacion respecto a region. Para los propositos del sistema se busca generaruna sobre-segmentacion ligera, de manera que se generen regiones homogeneaspero que se encuentren contenidas dentro de los nematodos con el objetivo depoder extraer la informacion de textura en la siguiente etapa.

Los algoritmos PCNN y LEGION no producen resultados satisfactorios. Elalgoritmo Mean-Shift obtuvo un buen balance entre las dos funciones de aptitud,pero puesto que la precision potencial de pıxeles es el valor de mas peso parala actual aplicacion, entonces su desempeno en este aspecto es superado por elalgoritmo CWAGM. Se puede apreciar en la figura 2 como alrededor del valorde 0,985 en el eje horizontal, los puntos del algoritmo CWAGM comienzan a

dominar a los puntos del algoritmo Mean-Shift. Ademas de esta observacion,el algoritmo CWAGM obtuvo mejores calificaciones en terminos de rendimientoque el algoritmo Mean-Shift. Esto justifica cuantitativamente la seleccion en estetrabajo del algoritmo CWAGM para realizar la segmentacion de primer nivel.

Un ejemplo de la segmentacion del algoritmo CWAGM puede verse en lafigura 3.

(a) (b)

Figura 3. a)Imagen original de nematodos. b)Segmentacion usando CWAGM

4.2. Segundo Nivel de Segmentacion

El algoritmo IFLT se probo con diferentes valores de R(1,2), P (8,16) yNB(10,20). A continuacion se presentan los mejores resultados obtenidos conlos tres clasificadores, para un conjunto de 14 imagenes. En la tabla 1 se mues-tran la matriz de confusion cruda, la matriz de sensibilidad y la matriz PPVrespectivamente para los clasificadores RBF y MLP. Los parametros de la red

Tabla 1. Matrices de Confusion RBF y MLP con IFLT

RBF MLP

Cruda Sensibilidad PPV Cruda Sensibilidad PPV

Asig.�Real F N F N F N F N F N F N

Fondo 370 92 0,711 0,426 0,80 0,20 409 66 0,787 0,305 0,86 0,14Nematodo 150 124 0,289 0,574 0,547 0,453 111 150 0,213 0,695 0,425 0,575

Precision = 0,671 Precision = 0,759

RBF que se variaron fueron el numero de neuronas en la capa escondida dela red, es decir, los prototipos. Se utilizaron los demas parametros establecidos

por defecto en la implementacion de RBF en la LTI-Lib. Se probo con diferen-te numero de prototipos, pero se dieron problemas de matrices singulares. Losmejores resultados se obtuvieron usando dos prototipos.

Los tres algoritmos de clasificacion se entrenaron con los descriptores IFLTbalanceados, de manera que recibieran un igual numero de patrones de entrena-miento de cada clase. En la segmentacion de primer nivel, el numero de regionespertenecientes al fondo supera al numero de regiones pertenecientes a nemato-dos. Esta desigualdad da como resultado que las redes reducen su rendimiento encuanto a la identificacion correcta de las regiones de nematodos. El re-balanceose realizo tomando descriptores de regiones de nematodos aleatoriamente hastacompletar la cantidad de descriptores para la clase de fondo. La mejor precisionse logro con P = 16, R = 2 y NB = 20. La matriz de sensibilidad para la redRBF muestra dificultad para clasificar las regiones de nematodos, con 42,59 %de las regiones de nematodos clasificadas como fondo y 28,8 % de las regionesde fondo clasificadas como nematodos. La matriz PPV muestra que 54,7 % delas regiones clasificadas como nematodos son en realidad fondo y 19,9 % de lasclasificadas como fondo corresponden a nematodos.

Con el clasificador MLP se probaron varias arquitecturas abarcando desdeuna capa escondida de 5 neuronas hasta dos capas escondidas de 30 neuronascada una. Los resultados se muestran a la derecha de la tabla 1. La mejor pre-cision se logro con P = 16, R = 2 y NB = 10. Las redes se entrenaron porhasta 2000 iteraciones usando gradientes conjugados. Los mejores resultados sedieron usando una red de dos capas de 30 neuronas cada una. Se muestra mejoraen cuanto a precision y en la matriz de sensibilidad. Sin embargo, aun se estanclasificando 42,5 % de regiones de fondo como nematodos.

Con el algoritmo kNN, se probaron valores k = 3, 5 y 7 vecinos mas cercanos.La tabla 2 muestra los resultados. La mejor precision se logro con un valor k = 3.

Tabla 2. Matrices de Confusion kNN con IFLT

Cruda Sensibilidad PPV

Asig.�Real F N F N F N

Fondo 391 66 0,752 0,305 0,855 0,145Nematodo 129 150 0,248 0,695 0,462 0,538

Precision = 0,735

Al igual que los anteriores se tiene el problema que casi cerca del 50 % de lasregiones que se clasifican como nematodos, forman en realidad parte del fondo.

Para la clasificacion de las regiones con RBF, MLP y kNN se usaron dosformas del descriptor LBP: LBP riu2

16,2 /V AR16,2 y LBP riu28,1 /V AR8,1. La configu-

racion fue la misma usada en IFLT. Tambien se uso balanceo en el conjunto dedatos. En la tabla 3 se muestran los resultados para los clasificadores RBF yMLP.

Tabla 3. Matrices de Confusion RBF y MLP con LBP

RBF MLP

Cruda Sensibilidad PPV Cruda Sensibilidad PPV

Asig.�Real F N F N F N F N F N F N

Fondo 414 49 0,796 0,227 0,894 0,106 430 38 0,827 0,176 0,919 0,081Nematodo 106 167 0,204 0,773 0,388 0,612 90 178 0,173 0,824 0,336 0,664

Precision = 0,789 Precision = 0,826

Se nota una mejora con respecto al descriptor IFLT, logrando reducir laconfusion notada en cuanto a la clasificacion de las regiones de nematodo. Lamatriz de sensibilidad muestra que se redujo a 22,68 % la clasificacion de regionesde nematodos como regiones de fondo, comparada con un 42,6 % con IFLT. Hayque notar en la matriz PPV que un 38,8 % de las regiones clasificadas comonematodo en realidad eran regiones de fondo. La precision dio tambien un saltohasta alcanzar 78,9 %. Esta se alcanzo usando LBP riu2

16,2 /V AR16,2.A la izquierda de la tabla 3 se muestran los resultados para el algoritmo MLP.

Siempre se uso una red de dos capas escondidas de 30 unidades. Se dio tambienuna mejora importante en todos los indicadores. Se logro llegar a un nivel deprecision de 82,6 % El descriptor que dio estos resultados fue LBP riu2

8,1 /V AR8,1.Los resultados en la tabla 4 para kNN se obtuvieron usando k = 3 y el

descriptor LBP riu216,2 /V AR16,2.

Tabla 4. Matrices de Confusion kNN con LBP

Cruda Sensibilidad PPV

Asig.�Real F N F N F N

Fondo 404 42 0,777 0,194 0,906 0,094Nematodo 116 174 0,223 0,805 0,4 0,6

Precision = 0,785

Puesto que con MLP se lograron los mejores resultados, se decidio usar undescriptor compuesto por la union de LBP riu2

16,2 /V AR16,2 y LBP riu28,1 /V AR8,1,

permitiendo extender este ultimo, con un descriptor con mayor radio, buscandomejorar la robustez en escala e introducir mayor capacidad para discernir, aun-que al mismo tiempo se sacrificara el tiempo de procesamiento debido al mayortamano del descriptor. Los resultados en la tabla 5 indican que se da una me-jora en cuanto a precision, ademas de mejorar el reconocimiento de las regionesde nematodos. La precision final alcanzada con respecto al uso de LBP fue de83,28 %.

Con el objetivo de incrementar aun mas la precision en el segmentadorde segundo nivel, se decidio someter el algoritmo de clasificacion que dio los

Tabla 5. Matrices de confusion la union de descriptores con vecindario de 8 y 16clasificados con MLP, y con la combinacion de AdaBoost con MLP

MLP AdaBoost con MLP

Cruda Sensibilidad PPV Cruda Sensibilidad PPV

Asig.�Real F N F N F N F N F N F N

Fondo 436 39 0,838 0,180 0,918 0,082 456 51 0,877 0,236 0,899 0,101Nematodo 84 177 0,161 0,819 0,322 0,678 64 165 0,123 0,764 0,279 0,721

Precision = 0,833 Precision = 0,844

mejores resultados, MLP usando el descriptor conjunto (LBP riu216,2 /V AR16,2 —

LBP riu28,1 /V AR8,1), al algoritmo AdaBoost.

El unico parametro de AdaBoost es el numero de iteraciones T , en dondeen cada una de estas se encontrara un clasificador, producto de entrenar ciertoalgoritmo de clasificacion con parametros escogidos segun cierta distribucion (re-muestreo). En cada iteracion se le da un mayor peso a los patrones que no fueronasignados anteriormente a la clase correcta, para darle una mayor probabilidadde ser escogido en la siguiente iteracion.

Se evaluaron los valores T = 5, 10, 20 y 30. El mejor resultado se obtuvo conT = 10 y con una red de una sola capa oculta de 10 neuronas. Luego de alcanzaruna precision de 0,84375 en T = 10, la precision decayo y puesto que entre mayornumero de clasificadores se introducen, mayor es el costo de procesamiento,se decidio detener los experimentos en T = 30. Ademas, mientras mayor seael numero de clasificadores debiles, mayor es la perdida de generalizacion delclasificador conjunto, debido al sobre-ajuste a los datos [15]. El entrenamientode cada clasificador MLP se hizo con 1000 iteraciones con gradientes conjugadoscon los mismos parametros que se usaron anteriormente para la red MLP. Losresultados se muestran en la tabla 5 a la derecha.

5. Conclusiones

La meta principal en esta trabajo ha sido lograr una segmentacion de ne-matodos en imagenes digitales en dos niveles de abstraccion, como parte de unsistema automatico completo para la deteccion e identificacion de nematodos.Para lograr esto se sometieron a evaluacion los algoritmos PCNN, LEGION,CWAGM y Mean-Shift para el primer nivel de segmentacion basada en la ima-gen. El algoritmo que resulto con mejor desempeno para los propositos del tra-bajo fue el CWAGM, segun se pudo verificar cuantitativamente con un procesode optimizacion multiobjetivo.

En el segundo nivel de segmentacion, correspondiente a segmentacion ba-sada en objeto, el objetivo ha sido lograr clasificar las regiones de una sobre-segmentacion con base a su textura. Se evaluaron los algoritmos IFLT y LBP,ambos algoritmos espaciales estadısticos. En lo respectivo a algoritmos de clasi-

ficacion se evaluaron los algoritmos RBF, MLP y kNN. Se encontro en la evalua-cion que LBP supera a IFLT, con cualquiera de los algoritmos de clasificacionevaluados.

Entre los algoritmos de clasificacion MLP supera a los demas. Se dieron pro-blemas de matrices singulares en el entrenamiento de las redes RBF, resultandoen parametrizaciones restringidas de la red. El algoritmo kNN da la probabilidadde pertenencia a una clase y se obtuvieron buenos resultados, lo que da confianzaen cuanto a la calidad de los descriptores.

Los mejores resultados se obtuvieron usando MLP, para un descriptor com-puesto de LBP. La figura 4 muestra un ejemplo de la segmentacion final realizada,a partir de las regiones mostradas en la figura 3.

Figura 4. Ejemplo segmentacion final

En cuanto a precision, mediante el algoritmo AdaBoost se logro llegar a unaprecision de 84,27 %; sin embargo, resulto en una degradacion en cuanto a laclasificacion de la clase nematodo y se vio que la mejora en precision fue masque todo debido a la mejor clasificacion del fondo.

Para compensar las limitaciones en la segmentacion de nematodos utilizandoexclusivamente informacion de textura se esta investigando el uso de modelosestadısticos de forma, para los cuales los resultados de este proyecto son funda-mentales en el posicionamiento inicial de los prototipos.

Referencias

1. Alvarado, J.P.: Segmentation of color images for interactive 3D object retrieval.Ph.D. thesis, Fakultat fur Elektrotechnik und Informationstechnik der Rheinisch-Westfalischen Technischen Hochschule Aachen (2004)

2. Baek, J.H., Cosman, P., Feng, Z., Silver, J., Baek, J., Schafer, W.: Using ma-chine vision to analyze and classify caenorhabditis elegans behavioral phenoty-pes quantitatively. Journal of Neuroscience Methods 118, 9–21 (2002), http:

//view.ncbi.nlm.nih.gov/pubmed/12191753

3. Bishop, C.M.: Neural Networks for Pattern Recognition. Clarendon Press, Oxford(1995)

4. Comaniciu, D., Meer, P.: Mean shift: A robust approach toward feature spaceanalysis. IEEE Trans. Pattern Anal. Mach. Intell. 24(5), 603–619 (2002)

5. Corne, D.W., Knowles, J.D., Oates, M.J.: The Pareto envelope-based selectionalgorithm for multiobjective optimization. In: Proceedings of International Confe-rence on Parallel Probelm Solving from Nature. pp. 839–848 (2000)

6. D.L., W., D., T.: Image segmentation based on oscillatory correlation. NeuralComputation 9, 805–836 (1997)

7. Duda, R.O., Hart, P.E., Stork, D.G.: Pattern Classification (2nd Edition). Wiley-Interscience (2000)

8. Freund, Y., Schapire, R.E.: A decision-theoretic generalization of on-line learningand an application to boosting. In: European Conference on Computational Lear-ning Theory. pp. 23–37 (1995), http://citeseer.ist.psu.edu/89601.html

9. Geng, W., Cosman, P., Baek, J., Berry, C., Schafer, W.: Image feature extractionand natural clustering of worm body shapes and motion characteristics. In: Proc.5th IAESTED International Conference Signal Image Processing. pp. 342–347 (Au-gust 2003)

10. Geng, W., Cosman, P., Huang, C., Shafer, W.: Automated worm tracking andclassification. In: Conference Record of the Thirty-Seventh Asilomar Conferenceon Signals, Systems and Computers. vol. 2, pp. 2063–2068 (November 2003)

11. Janney, P., Zhenghua, Y.: Invariant features of local textures, a rotation invariantlocal texture descriptor. Computer Vision and Pattern Recognition, 2007. CVPR’07. IEEE Conference on pp. 1–7 (2007)

12. Lindblad, T., Kinser, J.M.: Image Processing Using Pulse-Coupled Neural Net-works 2nd ed. Springer, Berlin (2005)

13. Palhares de Melo, L., Bastos, R.: A preliminary study for constructing a compu-tational procedure for nematodes identification based on morphological aspects,.First European Conference for Information Technology in Agriculture, Copenhagen(1997)

14. Ojala, T., Pietikainen, M., Maenpaa, T.: Multiresolution gray-scale and rotationinvariant texture classification with local binary patterns. IEEE Trans. PatternAnal. Mach. Intell. 24(7), 971–987 (2002)

15. Quinlan, J.R.: Bagging, boosting, and c4.5. In: In Proceedings of the ThirteenthNational Conference on Artificial Intelligence. pp. 725–730. AAAI Press (1996)

16. Silva, C., Magalhaes, K., Doria Neto, A.: An intelligent system for detection ofnematodes in digital images. Proceedings of the International Joint Conference onNeural Networks 1, 612 – 615 (2003)

17. Tsechpenakis, G., Bianchi, L., Metaxas, D., Driscoll, M.: A novel computationalapproach for simultaneous tracking and feature extraction of C. elegans popula-tions in fluid environments. IEEE Transactions on Biomedical Engineering 55(5),1539–1549 (May 2008)

18. Wu, Q., Merchant, F., Castleman, K.: Microscope Image Processing. AcademicPress (August 2008)