DATOS DEL INVESTIGADOR PRINCIPAL
Nombre	Edwin Andrés Niño Velásquez
Nombre del perfíl	Investigador Por Proyecto
Grupo de investigación	Sistemas y Computación
Línea de investigación	Construcción de software y descubrimiento de conocimiento en bases de datos (kdd)
Equipo del proyecto	CLAUDIA MARCELA ALVAREZ RAMOS Docente
TÍTULO DEL PROYECTO	Automatic Classification of Nosema Pathogenic Agents through Machine Vision techniques and Kernel-based Vector Machines - Herramienta de Aprendizaje por Refuerzo a través de mundos virtuales
PALABRAS CLAVE	Visión artificial, enfermedades parasitarias, procesamiento de imágenes biomédicas, aprendizaje por refuerzo, Juegos RPG.
OBJETIVOS DEL PROYECTO	Artículo Considerar y evaluar las diversas metodologías de tratamiento de imágenes que existen en el campo de la visión artificial que permitan realizar un reconocimiento de patrones, con el fin de automatizar el proceso de detección y clasificación de esporas. Software Desarrollar una herramienta educativa que permita formarse en el aprendizaje por refuerzo utilizando un entorno gráfico en el cual se podrán construir mundos virtuales, en los cuales se aplicará el aprendizaje y se simulará el recorrido de la mejor ruta.
PERTINENCIA ESPISTEMOLÓGICA DEL PROYECTO	Artículo. Los métodos de procesamiento de imágenes, reconocimiento y clasificación de patrones hacen parte del estado del arte en el área de visión artificial. En esta investigación se busca estudiar los resultados de la aplicación de las metodologías de visión artificial escogidas para sistematizar el proceso de reconocimiento y clasificación de agentes patógenos. El modelo de procesamiento y reconocimiento propuesto permitirá mejorar los resultados de clasificación obtenidos en investigaciones previas, obteniendo la arquitectura del conocimiento. Software. El aprendizaje por refuerzo hace parte del estado del arte en el área de aprendizaje de máquinas, utilizado en este contexto como una herramienta de aprendizaje por refuerzo en juegos de RPG. Tanto el conocimiento propio de la técnica como el aprendizaje de los usuarios a través del uso de la misma, permitirán obtener el conocimiento necesario tanto para el desarrollo una óptima herramienta de aprendizaje y construcción de mundos virtuales, como para el aprendizaje de los usuarios a través de un simulador de este tipo de aprendizaje.
RELEVANCIA DEL PROYECTO PARA LA INSTITUCIÓN Y PARA LOS BENEFICIARIOS DEL PROYECTO	Artículo. Pertinencia del proyecto En investigaciones anteriores acerca de la enfermedad Nosemosis tipo C, las cuales dieron como resultado una primera aproximación al proceso de reconocimiento y clasificación de agentes patógenos, este tipo de reconocimiento visual automático mostro que es posible utilizar herramientas de visión artificial, aplicada a una problemática específica, a través del análisis de imágenes microscópicas en el área de las ciencias naturales y médicas. La investigación está enmarcada en el área de reconocimiento y clasificación de información, siendo relacionadas a esta área las asignaturas Inteligencia artificial y procesamiento de imágenes, las cuales son énfasis del programa de Ingeniería de sistemas. Al desarrollar la investigación en esta área se espera realizar un avance en la tecnología computacional desarrollada en la facultad. Software. Enseñar cualquier tipo de aprendizaje de maquina resulta abstracto en la práctica, una de las posibles soluciones para mejorar la metodología de enseñanza es presentar todos los posibles casos que se deben llevar a cabo hasta que el aprendizaje llega a su fin, siendo este proceso demorado y dispendioso para el educador, por esta razón se decidió realizar un software educativo enfocado a la enseñanza del aprendizaje por refuerzo, que permitiera el desarrollo de habilidades cognitivas en las personas que lo utilizaran, desde la creación de los mundos virtuales hasta el proceso de aprendizaje y simulación de su resultado. Este tipo de desarrollos son productos informáticos propios de la facultad, los cuales se espera articular con proyectos de investigación formativa, de tal forma que generen nuevos proyectos de investigación y trabajos de grado, gracias a esto se podrá fortalecer la línea y el grupo de investigación.
PROBLEMA DE INVESTIGACIÓN	Artículo. 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 durante ese periodo en los casos diagnosticados como nosemosis, enfermedad parasitaria causada por el 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 (OIE, 2008). 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 reconocer y detectar el parasito. Siendo este nuestro objetivo principal. Software Una de las decisiones más comunes involucradas en los juegos de ordenador es probablemente el camino de Investigación, es decir, buscar una buena ruta para mover una entidad de un punto inicial a un punto final. La entidad puede ser una persona, un vehículo, una unidad de combate, un agente. El contexto puede ser un juego de acción, un simulador, un juego de rol o un juego de estrategia. El objetivo principal de la investigación es calcular las trayectorias libres de colisión, con mayor ganancia de acuerdo al aprendizaje por refuerzo obtenido de visitar uno o varias trayectorias (dependiendo del escenario).
METODOLOGÍA	Se aplicarán y evaluarán diferentes técnicas de procesamiento de imágenes a un conjunto de fotografías microscopicas de excreción de abejas. El resultado de esta tarea será un conjunto de imágenes segmentadas, donde cada región corresponderá a una potencial espora de microsporidio N. Apis o N. Ceranae. Posteriormente, vectores describiendo diferentes características de las imágenes serán calculados usando el algoritmo SIFT (Transformada de características invariante a escala). Estos vectores serán la entrada de un algoritmo de aprendizaje que permitirá ajustar un modelo de clasificación que, junto con el sistema de segmentación ya creado, conformará, un sistema de identificación automática de N. Apis y N. Ceranae para nuevas imágenes. La metodología propuesta para llevar a cabo el proyecto se divide en las siguientes fases: 1. Revisión bibliográfica Se hará una revisión de la literatura existente en visión artificial y aprendizaje supervisado aplicados a imágenes microscopicas con el fin de obtener una visión amplia de los principales problemas al analizar este tipo de información y las soluciones propuestas. Se hará una revisión de la literatura relacionada con el problema de detección de microsporidios N. Apis en colonias de abejas. 2. Procesamiento de las imágenes Se aplicarán y evaluarán diferentes técnicas de procesamiento de imágenes a un conjunto de fotografías microscopicas de excreción de abejas. Una técnica de segmentación será seleccionada y aplicada a las imágenes; Las regiones resultantes se usarán como entrada del algoritmo SIFT con el propósito de obtener una representación vectorial de dichas regiones. 3. Entrenamiento de un clasificador multiclase Una fracción de las representaciones vectoriales de las regiones detectadas por el algoritmo de segmentación será empleada para entrenar un modelo de clasificación multiclase que discriminará las regiones en esporas de N. Apis, esporas de N. Ceranae y otros cuerpos. 4. Evaluación del clasificador El modelo aprendido será evaluado sobre el conjunto de regiones no utilizadas durante la fase de entrenamiento. Los resultados serán analizados para describir la efectividad del clasificador.
RESULTADOS ESPERADOS	Artículo. Automatic Classification of Nosema Pathogenic Agents through Machine Vision techniques and Kernel-based Vector Machines. Software. Herramienta de Aprendizaje por Refuerzo a través de mundos virtuales
DURACIÓN DEL PROYECTO
POSIBLES FUENTES DE FINANCIACIÓN EXTERNA
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.
ENTREGABLES	Artículo. Automatic Classification of Nosema Pathogenic Agents through Machine Vision techniques and Kernel-based Vector Machines. Software. Herramienta de Aprendizaje por Refuerzo a través de mundos virtuales
CRONOGRAMA	TIPO DESCRIPCIÓN F.INICIO F.FINAL Actividad Revisión bibliográfica 01/08/2012 01/09/2012 Actividad Evaluación de técnicas de procesamiento de imágenes. 02/09/2012 09/09/2012 Actividad Segmentación de las imágenes y obtención de descriptores 10/09/2012 17/09/2012 Actividad Entrenamiento de clasificador 18/09/2012 18/11/2012 Entregable Artículo 23/12/2012 23/12/2012 Actividad Análisis y diseño de la aplicación 01/12/2012 08/12/2012 Actividad implementación del software 08/12/2012 23/12/2012 Entregable Software 23/12/2012 23/12/2012 Seleccione... Seleccione...
PEDIDO DE BIBLIOGRAFÍA	AUTOR TÍTULO EDITORIAL
ANEXOS