|
RELEVANCIA DEL PROYECTO PARA LA INSTITUCIÓN Y PARA LOS BENEFICIARIOS DEL PROYECTO |
En la última década el agente patológico Nosema Ceranae (N. Ceranae) ha provocado una imperceptible pandemia, considerada aún una enfermedad emergente. En comparación con Nosema Apis (N. Apis), N. Ceranae ha sido considerada como un importante problema de salud, tanto en las abejas y particulares, como en la colonia entera (Higes, Martín & Meana, 2010), ocasionando pérdidas significativas en la producción de la miel y en la eficiencia de la polinización. Para diagnosticar una posible enfermedad en las abejas, se realiza un control de enfermedades infeccionas en los animales productores de alimentos (como lo son las abejas), de acuerdo al resultado se toman medidas para tratar las abejas y colmenas enfermas en este caso. Sin embargo, en la actualidad, no existen laboratorios especializados en el diagnostico sistematizado de esta enfermedad. Debido a esto, es un campo de investigación nuevo y amplio, en el cual se pueden utilizar herramientas de visión artificial, aplicada a una problemática específica, durante el proceso de investigación, a través del análisis de imágenes microscópicas en el área de las ciencias naturales y médicas.
Este es una de las principales razones, que hacen al proyecto tan interesante, ser pioneros en la investigación y desarrollo a nivel nacional e internacional, con colaboración en el área de investigación de la facultad de informática y veterinaria de la universidad complutense de Madrid (UCM) a nivel internacional.
Es un proyecto a largo plazo, pero con mucha proyección. Uno de mis mayores deseos es crear un vínculo de investigación entre las dos universidades (UCM – Politécnico Grancolombiano), ubicando a la facultad de ingeniería y ciencias básicas del Politécnico Grancolombiano, como uno de los pilar en Latinoamérica, como centro de nuevas investigaciones, desarrollo y semillero de los conocimientos adquiridos gracias al trabajo realizado durante el periodo de investigación de la tesis doctoral (2011-2015).
Actualmente existen herramientas robustas para el procesamiento de estas imágenes, sin embargo, su capacidad está restringida por falta de adecuación a la problemática concreta. Como ya había citado, aunque es un proyecto a largo plazo, para este año se tiene previsto avanzar en la primera etapa: Construir la arquitectura del conocimiento (Investigación) y el desarrollo del primer módulo de software (I+D), si la propuesta es aceptada. Siendo esta un avance en la tecnología computacional desarrollada en la facultad.
Durante este primer año 2012, planteo dividir el año en dos partes:
Primera parte: Primer semestre (Enero - Junio), trabajar como docente-Investigador, Segundo semestre: Investigación tiempo completo (instancia de investigación facultad de Informática, Universidad Complutense de Madrid).
Finalizo esta sección, exponiéndoles la relevancia en todo sentido como persona, docente, investigadora e Ingeniera. Aun es un tema en desarrollo, en evolución, relevante para la humanidad, y desde el punto de vista informático con visión, la evolución científica informática, nos ha dado las armas necesarias para ayudar a resolver problemas que antes no aplicaban, ni se conocían por nosotros los ingenieros, pero algunos de ellos, como yo, vemos que podemos brindar nuestro conocimiento en pro de la humanidad, para nosotros, para nuestras futuras generaciones, por una evolución de desarrollo con fundamento.
|
|
PROBLEMA DE INVESTIGACIÓN |
1. El problema del despoblamiento de colmenas. Síndrome de despoblamiento de las Colmenas (SDC)
El síndrome del despoblamiento se caracteriza por la disminución del número de abejas de una colonia, sin causa aparente, hasta que las abejas sobrevivientes no pueden mantener las tareas elementales de la colonia, provocando que entre en colapso y desaparezca sin presentar una sintomatología que permita intuir el origen del problema (García, Meana, Higes, Martín, Sanz, A.; & Sanz,2005)
El denominado Síndrome de despoblamiento de colmenas, no es un fenómeno nuevo. Se detectó en España, a finales de los 90’s y principios del 2000 aunque con una difusión inferior a la actual. Existen diversas posibles causas del despoblamiento, que se investigaron hasta encontrar la causa real, que varían desde una hipótesis de despoblamiento a causa del tratamiento de las semillas de girasol con insecticidas hasta enfermedades parasitarias de las abejas (Meana, Martín & Higes,2009). Será esta última la causa real y el objeto de nuestro interés.
1.1. Detección de la enfermedad mortal “Nosemosis C”
La elevada mortalidad de las colonias de abejas denunciadas por los apicultores y veterinarios durante el periodo 2000/2005, hizo sospechar que podría ser causa de enfermedades parasitarias, debido a que se experimentó un crecimiento exponencial en los casos diagnosticados como nosemosis (OIE, 2008), durante ese periodo.
"La Nosemosis es una enfermedad parasitaria causada por un microsporidio, Nosema Apis, que se localiza y desarrolla en el interior de las células epiteliales del ventrículo, es decir, en el intestino medio de las abejas adultas.
Las lesiones macroscópicas y la detección de esporos con morfología compatible con los de N. Apis, hizo pensar que la enfermedad parasitaria era nosemosis. Sin embargo, el cuadro clínico no coincidía totalmente con la descripción de la enfermedad en las publicaciones especializadas y las características moleculares presentaban pequeñas diferencias en sus dimensiones. El tamaño aproximado del microsporidio N. Apis es 4,5–7,0 × 2,5–4,0 μm y las dimensiones de las esporas detectadas eran aproximadamente de 3,35-4,1 x 1,4-1,9 μm.
Se había detectado un agente potencialmente patógeno (N. Apis), que no era el causante de esta enfermedad mortal, pero que tenía una relación estadística entre sus esporas y la desaparición de las abejas.
Se realizó un cambio en la metodología al investigar un nuevo parásito: N. Ceranae, que afectaba hasta el momento sólamente a las abejas asiáticas. Gracias a este cambio se detectó que este nuevo agente patógeno es el causante de la enfermedad mortal, conocida ahora como Nosemosis de tipo C (Coloss, 2009).
Comenzando así una carrera a contrarreloj en donde se buscan, entre otras cosas, nuevos métodos diagnósticos para detectar el parasito. Siendo este nuestro objetivo principal.
1.2. Control de las enfermedades parasitarias
El control de las enfermedades infecciosas en los animales que producen alimentos es un aspecto esencial de la medicina veterinaria e incluye el diagnóstico de la enfermedad así como las medidas para tratar los animales enfermos y evitar la propagación de la enfermedad. El control de las enfermedades de las abejas productores de miel es necesario para mantener su papel como productor de alimentos (miel, polen, etc) y como polinizadores de los cultivos y vegetación silvestre (Higes, Martín & Meana, 2010).
1.3. Métodos de Diagnóstico
Los métodos tradicionales utilizados en la detección de N. Ceranae se basan en análisis microscópicos (OIE, 2008), métodos moleculares o microscopia electrónica de transmisión y técnicas de PCR (Higes, Martín & Meana, 2010).
Ahora es más común utilizar sistemas de captura de datos, que poseen herramientas robustas o módulos de procesamiento de imágenes que permiten realizar el tratamiento y reconocimiento completo de las partículas o microorganismos en las imágenes muestreadas.
Desde la época de los 90’s se han desarrollado e implantado sistemas informáticos en los laboratorios (Furundarena, 2009) (Anguita & Pérez, 2009), con el fin de clasificar y/o diagnosticar enfermedades a través de visión artificial.
El diagnóstico de enfermedades parasitarias en las abejas se sigue realizando mediante los métodos tradicionales de análisis microscópicos. Sin embargo, las investigaciones desarrolladas en la fase de detección del ciclo biológico de los microsporidios N. Apis y Ceranae (Martín, Meana, García-Palencia, Marín, Botías, Garrido-Bailón, Barrios & Higes, 2009), utilizan técnicas de procesamiento de imágenes para observar los cambios de temperatura para analizar si el ciclo de vida depende de la temperatura.
Para otro tipo de microsporidio como lo es N. Bombi se utilizaron técnicas de procesamiento de imágenes (medición), para calcular la intensidad de la infección producida por este parasito (Otti & Schmid-Hempel, 2007).
Estos son algunos de los trabajos más conocidos desarrollados con técnicas de visión por computadora para analizar y medir microsporidios.
Otros trabajos que han utilizado técnicas de visión por computadora para clasificar, medir y cuantificar partículas parecidas a las esporas, citan la problemática de detección, caracterización (forma, tamaño y color), en (Sossa, Osorio, Prieto & Angulo, 2002) para realizar la clasificación de núcleos de células en las imágenes de microscopio de citologías del epitelio escamoso. Otras estrategias de gestión requieren la cuantificación y medición del tamaño y distribución de partículas de polvo (Igathinathane, Melin, Sokhansanj, Bi, Lim, Pordesimo & Columbus, 2009), entre otros.
|
|
REVISIÓN BIBLIOGRÁFICA |
Anguita, J. & Pérez. A. Aplicaciones informáticas para la gestión documental de los sistemas de calidad en el laboratorio clínico. http://www.aehh.org/documentos/HAEMAT_PONENCIAS_09_(01-146).pdf, J. haematologica (edición española), Vol. 94 (Extra 1), págs 138-141, 2009.
Burge, W. & Burge, M. J. Principles of Digital Image Processing, Fundamental Techniques. (Histograms, págs 52; Point Operations, págs 55- 63), Springer, 2009.
Canny, J. A computational approach to edge detection, IEEE Trans. Pattern Analysis and Machine Intelligence, págs 679–714, 1986.
Cerda, M. Reconocimiento de Bordes en Imágenes, un enfoque aplicado, Memoria (Antecedentes, págs 6-20), 2007.
Collins, T.J. ImageJ for microscopy, J. BioTechniques, vol. 43, No. 1, págs 25-30, 2007.
Coloss, Nosema disease: lack of knowledge and work standardization, Proc. Workshop (COST Action FA0803), http://www.coloss.org/news/nosema-workshop-proceedings-online, 2009.
Dave, R.N. Generalized fuzzy c-shells clustering and detection of circular and elliptical boundaries, Pattern Recognition, Vol. 25, No 7, Págs, 713–721, 1992.
De la Escalera, A. Visión por computador, fundamentos y métodos. (Preprocesamiento de imágenes, págs 112-154), Prentice Hall, 2001.
Efford, N. Digital Image Processing, a practical introduction using Java. (Segmentation, págs 250-255), Addison-Wesley, 2000.
Fitzgibbon,A.; Pilu, M. & Fisher, R. Direct Least Square Fitting of Ellipses, IEEE Trans. Pattern Analysis and Machine Intelligence, Vol. 21.5, págs 476-480, 1999.
Furundarena, J.R. Herramientas de ayuda a la validación de resultados en hematimetría, http://www.aehh.org/documentos/HAEMAT_PONENCIAS_09_(01-146).pdf, J. haematologica (edición española), Vol. 94 (Extra 1), págs 126-138, 2009.
García, M.P.; Meana, A.; M.; Martín; Sanz, A.; Álvarez, N.; Sanz, A. El síndrome de despoblamiento de las colmenas en España, consideraciones sobre su origen. J. Vida apícola, Vol. 133, págs 15-21, 2005.
Gering, E. & Atkinson, C. A Rapid Method for Counting Nucleated Erythrocytes on Stained Blood Smears by Digital Image Analysis, J. Parasitology, No 4, págs 879-881, 2004 .
Girish, V. & Vijayalakshmi, A. Affordable Image Analysis using NIH Image/ImageJ, J. cancer, vol. 41, No 1, pág 47, 2004.
Gonzalez, R. C. & Woods, R. E. Digital Image Processing, (Histogram Processing, págs.173-180; Local enhancement, págs. 182-185), Addison-Wesley 1992.
Higes, M.; Martín, R. & Meana, A. Nosema ceranae in Europe: an emergent type C nosemosis, Apidologie (in press), 2010.
Igathinathane, C.; Melin, S.; Sokhansanj, S.; Bi, X.; Lim, C.J.; Pordesimo, L.O. and Columbus, E.P. Machine vision based particle size and size distribution determination of airborne dust particles of wood and bark pellets, J. Powder Technology, Vol. 196, No 2, págs 202-212, 2009.
Kirillov, A. AForge.NET Framework, http://code.google.com/p/aforge/, 2009.
Masutani.Y.; Schiemann.T. & Höhne, K.-H. Vascular shape segmentation and structure extraction using a shape based region-growing model, Proc. MICCAI 98. Lecture Notes in Computer Science, vol. 1496, págs1242–1249,1998
McLaughlin R.A. Randomized hough transform: Improved ellipse detection with comparison, Pattern Recognition, Vol. 19, págs. 299-305, 1998.
Martín, A.; Meana, A.; García-Palencia, P.; Marín, P.; Botías, C.; Garrido-Bailón, E.; Barrios, L. & Higes, M. Effect of Temperature on the Biotic Potential of Honeybee Microsporidia, J. Applied and Environmental Microbiology, Vol. 72, No 8, págs 2554-2557, 2009.
Meana, A.; Martín, R.; Higes, M. La silenciosa pandemia de las abejas. M. Investigación y ciencia. Edición Española de Scientific American, págs 8-10, 2009.
Moreno, A,; Marcos, R. Procesamiento y gestión digital de la información, Bibl. Univ., Nueva Época, Vol. 9, No 2, págs 144-151, 2006.
Nixon, M. & Aguado, A. Feature Extraction & Image Processing. (Filtro gaussiano, pág 98), Elsevier, 2005.
OIE (Office International des Epizooties), Manual of Standards for Diagnostic Test and Vaccines, http://www.oie.int/eng/normes/mmanual/2008/,2008.
Otti, O. & Schmid-Hempel, P. Nosema bombi: A pollinator parasite with detrimental fitness effects, J. Invertebr Pathol, Vol. 96, No. 2, págs 118-124, 2007.
Pajares, G. & De la Cruz, J. Visión por computador, Imágenes digitales y aplicaciones. (Suavizado y realzado, págs 96-112; Operaciones Morfológicas, págs 272-278; Extracción de bordes, esquinas y puntos de interés, págs 159 -163; Extracción de regiones, págs. 179-199) , Ra-Ma, 2001.
Rasband, W.S. ImageJ, U. S. National Institutes of Health, Bethesda, Maryland, USA, http://rsb.info.nih.gov/ij/, 1997-2009.
Sossa, Y.; Osorio, G.; Prieto, F. & Angulo, F. Conteo y caracterización de regiones completas en imágenes 2D: Aplicación a núcleos celulares, Revista Colombiana de Física, Vol. 34, No 1, 2002.
Stefancik, R. M. & Sonka, M. Highly automated segmentation of arterial and venous trees from three-dimensional magnetic resonance angiography (MRA), J. Cardiovasc. Imaging., vol. 17, págs 37–47, 2001.
Trier and, Ø. D.&. Jain, A. K. Goal-directed evalution of binarization methods, IEEE Trans. Image Proc., vol. 17, No. 12, págs. 1191–1201, 1995.
Venkateswarlu, N.B. & Raju, P.S.V.S.K. Fast isodata clustering algorithms, Department of Computer Science, Birla Institute of Technology and Science, India, 2003.
Yang, Y. & Yan, H. An adaptive logical method for binarization of degraded document images, Pattern Recognition, vol. 33, págs 787–807, 2000.
Yin, P. A new circle/ellipse detector using genetic algorithms, Proceedings of the IPPR on CVGIP Taipei, págs 362–368, 1998.
Zhang, S.C. & Liu, Z.Q. A Robust, real-time ellipse detector. Pattern Recognition, Vol. 38, págs 273-287, 2004.
|
