Res2Unet: una red completamente convolucional para la segmentación del parásito Trypanosoma cruzi.

Abstract

La enfermedad de Chagas es un problema de salud pública, que causa miles de muertes por año atribuidas a problemas cardíacos, digestivos, neurológicos o mixtos, y debido a que la mayoría de las personas infectadas no presentan síntomas, se considera una enfermedad potencialmente mortal. Un análisis de sangre resulta ser el método preferido para generar un diagnóstico de la enfermedad; sin embargo, es un proceso tardado, ya que requiere de mucho esfuerzo por parte de expertos para analizar grandes cantidades de muestras en búsqueda de parásitos. La implementación de sistemas automáticos que faciliten la segmentación del parásito en imágenes de muestras de sangre capturadas por microscopio puede ser de gran utilidad para ahorrar tiempo y esfuerzo. Por lo tanto, en este trabajo de tesis desarrollamos el modelo de segmentación semántica Res2Unet basado en aprendizaje profundo para facilitar la visualización de la morfología del parásito Trypanosoma cruzi en imágenes digitales de muestras de sangre. Comparamos el desempeño de segmentación obtenido con nuestra propuesta contra los modelos U-Net, ResUnet, y los clasificadores basados en aprendizaje automático Gauss y máquinas de soporte vectorial (SVM).