Identificación de imágenes por análisis de texturas utilizando aprendizaje automático

 Iden i icación de imágenes po análisis de ex u as u ilizando ap endizaje au omá ico Image iden i ica ion using ex u e analysis and machine lea ning T abajo de in de g ado Joaquín Ba io Lo mann Xuebo Zhu Chen Depa amen o de A qui ec u a de Compu ado es y Au omá ica Facul ad de In o má ica Uni e sidad Complu ense de Mad id Cu so académico 2019/2020    Iden i icación de imágenes po análisis de ex u as u ilizando ap endizaje au omá ico Image iden i ica ion using ex u e analysis and machine lea ning Memo ia p esen ada pa a el abajo de in de g ado de Ingenie ía In o má ica Di igida po el Doc o José Jaime Ruz O iz Depa amen o de A qui ec u a de Compu ado es y Au omá ica Facul ad de In o má ica Uni e sidad Complu ense de Mad id Cu so académico 2019/2020     Ag adecimien os Sin la ayuda incondicional de una se ie de pe sonas la consecución y inalización del p oyec o no hab ía sido posible. Pa a empeza , ag adece a nues o u o , José Jaime Ruz O iz, compa iendonos odo el ma e ial didác ico disponible pa a acili a nues o abajo así como el conocimien o necesa io pa a el desa ollo de la he amien a. Da las g acias ambién a nues o cí culo pe sonal más ce cano como amilia es y amigos, g acias a su apoyo de mane a di ec a o indi ec a, po escucha nos y po di igi nos en los momen os de mayo ad e sidad y duelo. Ag adece ambién a odo el pe sonal docen e de la acul ad po su excelen e calidad como p o eso ado al enseña nos y do a nos de he amien as pe sonales y p o esionales pa a a on a los e os labo ales y académicos. Finalmen e ag adece a odos los au o es y p o esionales que elabo a on e in es iga on sob e el ema io en cues ión y po compa i lo públicamen e pa a su di usión y consul a. V    Resumen Hoy en día, el a amien o y econocimien o de imágenes g acias a la in eligencia a i icial y análisis de es as median e ap endizaje au omá ico nos epo a eno mes bene icios y aplicaciones en el mundo mode no. A pa i de es os mecanismos podemos pilo a ehículos de mane a au ónoma, econoce exp esiones o de ec a en e medades median e el en enamien o, e ue zo y es de la máquina. Conc e amen e nues o p oyec o es á di igido al p ocesamien o digi al median e ap endizaje au omá ico empleado pa a el análisis de ex u as. A medida que a ancemos en la lec u a y desa ollo de es a memo ia de alla emos sob e los mé odos empleados, inalidad y obje i os del p oyec o. En é minos gene ales, la inalidad úl ima es desa olla una máquina capaz de clasi ica ex u as a pa i de una se ie de imágenes de adiog a ías de la caja o ácica que incluye mayo men e los pulmones, con el mo i o de de ec a en e medades espi a o ias como la neumonía. Pa a ello hemos di idido el p oyec o en di e sas ases debidamen e di e enciadas: ●In es igación y abajo p e io. ●Implemen ación y desa ollo del p og ama. ○Módulos 1, 2 y 3 ●P uebas y e aluación sob e imágenes o ácicas de ayos-x con neumonía asociada al SARS-CoV-2. ●Sín esis y esul ados inales. VII    Índice Ag adecimien os V Resumen VII Abs ac IX Palab as cla e XI Keywo ds XIII 1. In oducción 2 1.1. Mo i ación 2 1.2. Obje i os 3 1.3. Visión gene al del documen o 4 1.4. Mo i a ion 5 1.5. Objec i es 6 1.6. Gene al ision o he documen 6 2. T abajo p e io 8 2.1. Es ado del a e 8 2.2. La ma iz de co-ocu encia 10 2.3. SVM 14 2.3.1. De inición del Hipe plano 15 2.4. SARS-CoV-2 16 2.5. Tecnologías ele an es 19 3. Me odología de abajo 24 3.1. Google d i e 24 3.2. Gi K aken 25 3.3. Gi Lab 26 3.4. Skype 27 4. Iden i icación de imágenes po análisis de ex u as usando ap endizaje au omá ico 29 4.1. Funcionamien o gene al del sis ema 29 4.2. Paque e Common 31 4.2.1 Componen es del paque e common 31 4.3. Módulo 1: Ex acción de da os 32 4.3.1. Componen es del módulo 1 33 4.4. Módulo 2: Ap endizaje au omá ico median e SVM 33 4.4.1. Componen es del módulo 2 35 4.4. Módulo 3: Iden i icado de imágenes 36 4.4.1. Componen es del módulo 3 36 XV  5. P uebas y e aluación 39 5.1. In oducción 39 5.2. El p oblema40 5.3. El conjun o de da os 40 5.4. El expe imen o 41 6. Conclusión y abajo u u o 46 6.1. Conclusión 46 6.2. Conclusión 47 6.3. T abajo u u o 47 7. Con ibuciones indi iduales 52 7.1. Joaquín Ba io Lo mann 52 7.2. Xuebo Zhu Chen 53 8. Apéndice A Ejemplo de ejecución 55 9. Apéndice B Manual de usua io 62 Bibliog a ía 65 XVI   Índice de igu as 1.1 Co espondencia con las ocho di ecciones ca dinales 11 1.2 De inición y cons ucción de la ma iz de co-ocu encia 12 1.3 Ecuación de la Homogeneidad 12 1.4 Ecuación del con as e 12 1.5 Ecuación de la Disimila idad 13 1.6 Ecuación de la GLCM Media 13 1.7 Ecuaciones de Va ianza 13 1.8 Ecuación de la des iación es ánda 13 1.9 Ecuación de la En opía 13 1.10 Ecuación de la co elación 13 1.11 Ecuación del ASM 14 2.1 Da ase  ejemplo SVM 14 2.2 Mu ciélago 17 2.3 Pangolín 18 2.4 Foco en China 18 2.5 Py hon 20 2.6 Ejemplo de p ime uso Q Designe 21 2.7 C eación de es uc u as de da os con Numpy 22 3.1 Ejemplo de uso de la he amien a Google D i e 25 3.2 Ejemplo de uso de Gi K aken 25 3.3 Ejemplo de uso de la aplicación web de Gi Lab 26 3.4 Ejemplo de uso de Skype pa a la comunicación g upal 27 4.1 Diag ama del sis ema 30 4.2 Colocación de mues as de amaño di e so en el módulo 132 4.3 Ejemplo GUI módulo 2 35 4.4 Ejemplo de uso del Módulo 3 37 5.1 Ejemplo de caso de p ueba 3 43 5.2 Ejemplo de caso de p ueba 7 44 6.1 Ejemplo de aplicación mó il de ección en e medades 49 6.2 Ejemplo de ma iz de con usión pa a econocimien o oz 50 A.1 Ejemplo de imagen i ica 1 55 A.2 Ejemplo de imagen í ica 2 56 A.3 Ejemplo de imagen í ica 3 56 A.4 Ejemplo de imagen í ica analizada 57 A.5 Ejemplo de u ilización de la he amien a 57 A.6 Ejemplo de uso de la he amien a módulo 2 58 A.7 Ejemplo de uso de la he amien a, ejecución exi osa 59 A.8 Ejemplo de uso de la he amien a (Módulo 3) 59 A.9 Ejemplo de uso de la he amien a (Imagen ca gada) 60 A.10 Ejemplo de uso de la he amien a (Imagen p ocesada) 60 XVII  1    Capí ulo 1 In oducción RESUMEN: En es a in oducción amos a p esen a la mo i ación y inalidad del p oyec o ealizado. 1.1. Mo i ación La compu ación digi al esuel e los p oblemas median e p ocesos que emulan las capacidades del se humano. A medida que la sociedad plan eaba p oblemas más complejos se han ido inco po ando soluciones cada ez más so is icadas pa a dichos p oblemas. Pa a un humano el econocimien o de un obje o es sencillo, la clasi icación de di e en es elemen os no ep esen a ningún p oblema, el p oblema pa e cuando p e endemos iden i ica obje os desconocidos, o es amos oda ía ap endiendo a iden i ica los. Den o de la in o má ica encon amos las écnicas de econocimien o de imágenes po isión a i icial, que pe mi e el econocimien o de obje os en imágenes. Puede se ú il pa a iden i ica cie os obje os como pod ía se el caso de cie as pa ologías den o del ámbi o de la medicina. En muchos casos un p o esional es capaz de iden i ica sin p oblema una pa ología, pe o un es udian e, en plena ase de ap endizaje le puede se muy de g an ayuda el uso de una he amien a que acili e la e ención del conocimien o. Es o no solo es in e esan e pa a es udian es sino ambién pa a la iden i icación de nue as pa ologías pues los p o esionales no disponen oda ía de una amplia expe iencia al se casos p e iamen e desconocidos. En la ac ualidad encon amos di e en es en oques pa a a a el econocimien o de obje os en imágenes, en e ellos podemos des aca : ●Ap oximación basada en modelos. ●Mé odos basados en apa iencia. ●Mé odos basados en ca ac e ís icas. 2    Den o de los mé odos basados en ca ac e ís icas podemos encon a el análisis po ex u as, que ha sido esponsable de di e en es aplicaciones como la de ección y diagnós ico del cánce de piel y lesiones pigmen adas benignas (1991), diagnós ico de mioca di is (Fe deghini, 1991) e iden i icación de pe sonas median e ex u a del i is. Pa a abo da es e p oblema es necesa io un conjun o de he amien as que pe mi an ealiza una clasi icación median e ap endizaje au omá ico, noso os u iliza emos una SVM que oma a los da os de un análisis digi al p e io. 1.2. Obje i os El obje i o p incipal es el desa ollo de una aplicación cuya uncionalidad sea ealiza un análisis basado en la ex u a que pe mi a la de ección y econocimien o de obje os en imágenes. En es e caso conc e o la de ección de un pa ón en común en aquellas imágenes de Rayos X que con i men la p esencia de una neumonía asociada al SARS-CoV-2. P ime o hab á que ealiza un análisis digi al de las imágenes del da ase sob e el que se a a abaja , de es e se ob end án mues as que usa emos más a de pa a en ena una SVM y clasi ica imágenes con el esul ado de es e en enamien o. Es o se consegui á median e un análisis de ex u a ob eniendo sob e las mues as omadas la ma iz de co-ocu encia y de 14 ca ac e ís icas calculadas sob e la ma iz. En segundo luga , end emos que decla a una SVM , que nos pe mi i á en ena y clasi ica . Como inpu ecibi á los ec o es de ca ac e ís icas de las mues as ob enidas en el p ime módulo y las componen es p opias de la ma iz de co-ocu encia. Finalmen e, median e los da os ob enidos el los dos pasos an e io es, con igu a emos la SVM pa a iden i ica los obje os mues eados inicialmen e, pudiendo así ob ene en un caso de éxi o una espues a ehacien e de si es amos an e una mues a con neumonía asociado SARS-CoV-2 o no. 3    1.3. Visión gene al del documen o La documen ación de es e abajo se encuen a epa ido en los siguien es capí ulos: ●Capí ulo 2: Expond emos una isión gene al del con ex o y una in es igación p e ia pa a el en endimien o y desa ollo del p oyec o. ●Capí ulo 3: Aquí de alla emos la coo dinación lle ada a cabo en el p oyec o y las he amien as o u ilidades usadas pa a el p oyec o. ●Capí ulo 4: Explica emos la he amien a de o ma a ómica educiéndose a cada una de sus módulos. ●Capí ulo 5: De alla emos el p oblema obje i o y ealiza emos un es udio sob e el mismo. ●Capí ulo 6: Conclusiones inales del p oyec o y abajo a u u o. ●Capí ulo 7: Explicación de las con ibuciones de los miemb os del p oyec o. ●Apéndice A: Ejemplo de ejecución de la aplicación. Apéndice B: Manual de usua io. 4    1.4. Mo i a ion Compu a ion sol es p oblems h ough p ocesses ha emula e he p ocess capaci y o he human being. As echnology ad anced, and socie y posed mo e complex p oblems, mo e sophis ica ed solu ions o hose p oblems we e equi ed. Fo a human objec ecogni ion is a simple ask, classi ying di e en elemen s isn' a big p oblem, he ouble lies in iden i ying objec s we’ e s a ing o lea n abou o classi ying objec s ha a e ye o be known o us. Wi hin he ields o compu ing we ind he echniques o image ecogni ion ia a i icial ision, his enables objec de ec ion in images which can be use ul o people lea ning o iden i ying ce ain pa hologies In many cases a p o essional is capable o iden i ica e pa hologies wi hou ouble, bu o a s uden ha is cu en ly lea ning he expe ience is ye o be gained o jus classi y wi h a look, hus a ool ha can classi y would be use ul in helping s uden s lea n. Though i 's no only in e es ing o s uden s by also o new pa hologies, iden i ying new pa hologies migh pose a p oblem o p o essionals oo since he lack he expe ience as hey ha en' wo ked wi h many cases. Nowadays we ind di e en app oaches o objec de ec ion he mos no able a e: ●Model based app oxima ion me hods. ●Appea ance based me hods. ●Fea u e based me hods. Wi hin me hods ea u e based he e is ex u e based analysis, which has been esponsible o di e en applica ions such as de ec ion and diagnosis o skin cance and pigmen ed skin inju ies (1991), mioca di is diagnose (Fe deghini, 1991) and acel iden i ica ion ia he i is ex u e. To app oach his p oblem he e is need o a se o ools ha allow us o make classi ica ion ia machine lea ning, we will use a SVM ha will inpu he da a aken om a p e ious digi al analysis. 5    1.5. Objec i es Ou main objec i e is he de elopmen o an applica ion ha is able o make a ex u e based digi al analysis ha allows de ec ion and ecogni ion o objec s in images. Speci ically iden i ying SARS-CoV-2 associa ed pneumonia in x- ay images. Fi s , a digi al analysis mus be done wi h he image se , om i samples will be ake o ain he SVM and classi y images wi h he esul o ha aining. This will be accomplished by ex u e based analysis om he samples aking he co-occu ence ma ix and 14 ea u es aken om he ma ix. In second place, we mus decla e a SVM, ha will allow us o ain and classi y wi h subse s o he image da ase . As inpu he SVM will ake he ea u e ec o om he samples aken and he da a in he co-occu ence ma ix. Finally wi h he da a ob ain in he p e ious s eps, he SVM will be con igu ed o iden i y he sampled objec s, hus being able o classi y images ha ha e SARS-CoV-2 associa ed pneumonia. 1.6. Gene al ision o he documen The documen a ion o his wo k is dis ibu ed in he ollowing chap e s: ●Chap e 2: We will p esen an o e iew o he con ex and a p e ious in es iga ion o he unde s anding and de elopmen o he p ojec . ●Chap e 3: He e we will de ail he coo dina ion ca ied ou in he p ojec and he ools o u ili ies used o he p ojec . ●Chap e 4: We will explain he ool in an a omic way educing i o each one o i s modules. ●Chap e 5: We will de ail he objec i e p oblem and ca y ou a s udy on i . ●Chap e 6: Final conclusions o he p ojec and u u e wo k. ●Chap e 7: Explana ion o he con ibu ions o he p ojec membe s. ●Appendix A: Example o applica ion execu ion. Appendix B: Use Manual 6   7    ASM (Angula Second Momen ), en é minos gene ales se a a de una medida de la homogeneidad local. Figu a 1.11: Ecuación del ASM 2.3. SVM Po SVM (Máquina de Vec o es Sopo e) en endemos un modelo de ap endizaje au omá ico supe isado que u iliza algo i mos pa a p oblemas de clasi icación de dos o más clases. T as habe le dado a un modelo SVM un da ase de en enamien o e ique ado pa a cada ca ego ía, es e es capaz de eca ego iza . Pa a en ende cómo unciona una SVM, supongamos un ejemplo sencillo capaz de ilus a su uncionamien o a ni el básico. Supongamos que en un plano de coo denadas enemos una se ie de alo es de dos ipos, ojo y azul, dado un pa de coo denadas nue o que emos sabe si es e pe enece a la clase oja o azul. Visualmen e el p oblema queda ía ep esen ado de la siguien e o ma. Figu a 2.1: Da ase ejemplo SVM. Una SVM ecoge es os da os en el plano de coo denadas y ealiza la sepa ación de clases. La línea lími e de decisión es la que ema ca la on e a en e las dos clases. Con ello, la línea lími e de decisión óp ima es la que maximiza los má genes desde el elemen o más ce cano de cada clase. Las máquinas de ec o es de sopo e e an muy u ilizadas an es de la e a del ap endizaje p o undo. Pa a muchas aplicaciones se p e e ía el uso de SVM en luga de edes neu onales. La azón e a que las ma emá icas de los 14   SVM se en iende muy bien y la p opiedad de ob ene el ma gen de sepa ación máximo e a muy a ac i o. Las edes neu onales pod ían ealiza clasi icación de o ma equi ocada como hemos is o en los ejemplos an e io es. Algunos casos de éxi o de las máquinas de ec o es de sopo e son econocimien o óp ico de ca ac e es, de ección de ca as pa a que las cáma as digi ales en oquen co ec amen e, il os de spam pa a co eo elec ónico, econocimien o de imágenes a bo do de sa éli es (sabe qué pa es de una imagen ienen nubes, ie a, agua, hielo, e c.). Ac ualmen e, las edes neu onales p o undas ienen una mayo capacidad de ap endizaje y gene alización que los SVM. En esumen, las Máquinas de Vec o es de Sopo e (Suppo Vec o Machines) pe mi en encon a la o ma óp ima de clasi ica en e a ias clases. La clasi icación óp ima se ealiza maximizando el ma gen de sepa ación en e las clases. Los ec o es que de inen el bo de de es a sepa ación son los ec o es de sopo e. En el caso de que las clases no sean linealmen e sepa ables, podemos usa el uco del ke nel pa a añadi una dimensión 2.3.1. De inición del Hipe plano En é minos gene ales un hipe plano es una ex ensión del concep o de 4 plano. Si a amos un espacio unidimensional, en es e caso un hipe plano es un pun o ya que di ide es a en dos. Po o a pa e si a amos un espacio bidimensional, el hipe plano es una ec a, ya que di ide el plano en dos mi ades. En un espacio idimensional, un hipe plano es un plano al di idi el espacio en dos mi ades. De es e modo, se puede aplica es e concep o de mane a sucesi a pa a más dimensiones. Un hipe plano a ín en un espacio n-dimensional puede se desc i o po una ecuación lineal no degene ada con la siguien e o ma: Aquí no degene ada signi ica que no odas las aison 0. Si b=0, se ob iene un hipe plano lineal, que pasa a a és del o igen. Las dos mi ades del espacio de inidas po un hipe plano en espacios de n dimensiones son: 4 h ps://es.wikipedia.o g/wiki/Hipe plano 15   2.4. SARS-CoV-2 Los p ime os análisis del SARS-CoV 2 indica on que se a aba de un nue o be aco ona i us que pe enecía a la misma amilia del SARS-CoV y el MERS. Las in es igaciones an e io es encon a on que el SARS-CoV se ansmi ió de ga os de ci e a a humanos y el MERS-CoV de camellos y d omeda ios a humanos. Asimismo, el SARS-CoV-2 es el sép imo co ona i us que se conoce que in ec a a los humanos; el SARS-CoV, MERS-CoV y el SARS-CoV-2 pueden causa una en e medad g a e, mien as que HKU1, NL63, OC43 y 229E es án asociados con sín omas le es. Un es udio publicado en Na u e Medicine epasa y compa a odos los da os genómicos que se han analizado has a aho a sob e el nue o pa ógeno e hipo e iza sob e los escena ios en los que pod ía habe su gido: selección na u al en un huésped animal an es de la ans e encia zoonó ica; y selección na u al en humanos después de la ans e encia zoonó ica. Sin e izando, el SARS-CoV-2 no se de i a de ningún esquele o de i us usado p e iamen e. 2.4.1. Hipó esis del o igen en labo a o io Lo p ime o que pun ualizan los in es igado es es que desca an que se a e de un pa ógeno manipulado en el labo a o io. El RBD (el dominio de unión al ecep o ) de SARS-CoV-2 es á op imizado pa a uni se al ACE2 humano con una solución e icien e di e en e a las comp obadas an e io men e , a gumen an en el abajo, que ha sido elabo ado po 5 K is ian G. Ande sen, del Depa amen o de Inmunología y Mic obiología, Ins i u o de In es igación Sc ipps (EE.UU.) y sus colabo ado es. Además, si se hubie a ealizado la manipulación gené ica, “se hubie an u ilizado, p obablemen e, uno de los a ios sis emas de gené ica in e sa disponibles pa a los be aco ona i us”, señala el equipo. Los da os gené icos mues an “i e u ablemen e” que el SARS-CoV-2 no se de i a de ningún esquele o de i us usado p e iamen e. “Es p obable que los mu ciélagos si an como ese o ios pa a su p ogeni o ”. 5 h ps://gace amedica.com/in es igacion/desci ando-los-o igenes-del-sa s-co -2/ 16   2.4.2. En e medad Zoonó ica Los p ime os casos iden i icados en Wuhan (China) es aban inculados a un me cado de animales, po lo que es posible que hubiese una uen e animal en dicho luga . Figu a 2.2: Mu ciélago Dada la simili ud del SARS-CoV-2 con los co ona i us simila es a los del SARS-CoV, es p obable que los mu ciélagos si an como ese o ios pa a su p ogeni o  4 Sin emba go, aunque el i us RaTG13 de los mu ciélagos Rhinolophus a inis es idén ico al SARS-CoV-2 en un 96%, su pico di e ge en el RBD, “lo que sugie e que puede no uni se de mane a e icien e al ACE2 humano”, explican en el es udio. 2.4.3. Huésped In e medio Los pangolines de Malasia impo ados ilegalmen e a la p o incia de Guangdong con ienen co ona i us simila es al SARS-CoV-2 . Aunque el i us RaTG13 sigue siendo el más ce cano al SARS-CoV-2 en odo el genoma , algunos co ona i us pangolín exhiben una ue e simili ud con SARS-CoV-2 en el RBD. “Es o mues a cla amen e que la p o eína de pico (S) de SARS-CoV-2 op imizada pa a uni se a ACE2 humano es el esul ado de la selección na u al”, añaden los in es igado es. “La di e sidad de co ona i us en los mu ciélagos y o as especies se subes ima masi amen e”. A día de hoy no se ha iden i icado ningún co ona i us animal que sea lo su icien emen e simila como pa a habe se ido de p ogeni o di ec o del SARS-CoV-2, pe o, al y como señala el es udio, la di e sidad de co ona i us en los mu ciélagos y o as especies se subes ima “masi amen e”. 17   Figu a 2.3: Pangolín 2.4.4. Selección na u al en humanos El o o escena io plan eado se ía selección na u al en humanos después de la ans e encia zoonó ica. Es e enómeno explica ía que una e sión no pa ógena del i us sal a ía de un huésped animal a los humanos y e oluciona ía a su es ado pa ógeno ac ual den o del suje o. El i us adquie e las ca ac e ís icas genómicas a a és de la adap ación du an e la ansmisión no de ec ada de se humano a se humano. Una ez adqui idas, es as adap aciones pe mi en que la pandemia empiece y p oduzca un g upo de casos su icien emen e g ande como pa a ac i a el sis ema de igilancia que lo de ec ó. Figu a 2.4: Foco en China Los in o mes p elimina es es ima on que el ‘an epasado’ común al SARS-CoV-2 apa eció en e inales de no iemb e de 2019 y p incipios de diciemb e de 2019 , da os compa ibles con los p ime os casos con i mados e ospec i amen e. “Po lo an o, es e escena io supone un pe íodo de 18    ansmisión no econocida en humanos en e el e en o zoonó ico inicial y su adap ación y eplicación en humanos (adquisición del si io de escisión polibásica)”, según los da os del es udio. Es e escena io es el que dio luga al MERS-CoV. Todos los casos humanos son el esul ado de epe idos sal os del i us desde los camellos, p oduciendo in ecciones únicas o cadenas de ansmisión co as que e en ualmen e se esuel en, sin adap ación a la ansmisión sos enida. 2.4.5. P e ención a u u o de posibles e en os zoonó icos Los in es igado es concluyen que la comp ensión de allada de cómo un i us animal sal ó los lími es de las especies pa a in ec a a los humanos de mane a p oduc i a ayuda á a p e eni u u os e en os zoonó icos. “Po ejemplo, si el SARS-CoV-2 se p e adap a en o a especie animal, exis e el iesgo de u u os e en os de eapa ición. Po el con a io, si el p oceso de adap ación se p odujo en humanos, incluso si se p oducen ans e encias zoonó icas epe idas, es poco p obable que despeguen sin la misma se ie de mu aciones”. 2.5. Tecnologías ele an es 2.5.1. Py hon Py hon es un lenguaje de sc ip ing independien e de pla a o ma y 6 o ien ado a obje os, p epa ado pa a ealiza cualquie ipo de p og ama, desde aplicaciones Windows a se ido es de ed o incluso, páginas web. Es un lenguaje in e p e ado, lo que signi ica que no se necesi a compila el código uen e pa a pode ejecu a lo, lo que o ece en ajas como la apidez de desa ollo e incon enien es como una meno elocidad. En los úl imos años el lenguaje se ha hecho muy popula , g acias a a ias azones como: ●La can idad de lib e ías que con iene, ipos de da os y unciones inco po adas en el p opio lenguaje, que ayudan a ealiza muchas a eas habi uales sin necesidad de ene que p og ama las desde ce o. ●La sencillez y elocidad con la que se c ean los p og amas. Un p og ama en Py hon puede ene de 3 a 5 líneas de código menos que su equi alen e en Ja a o C. ●La can idad de pla a o mas en las que podemos desa olla , como Unix, Windows, OS/2, Mac, Amiga y o os. 6 h ps://www.py hon.o g/ 19    Además, Py hon es g a ui o, incluso pa a p opósi os emp esa iales. Figu a 2.5: Logo de Py hon El c eado del lenguaje es un eu opeo llamado Guido Van Rossum. Hace ya más de una década que diseñó Py hon, ayudado y mo i ado po su expe iencia en la c eación de o o lenguaje llamado ABC. El obje i o de Guido e a cub i la necesidad de un lenguaje o ien ado a obje os de sencillo uso que si iese pa a a a di e sas a eas den o de la p og amación que habi ualmen e se hacía en Unix usando C. El desa ollo de Py hon du ó a ios años, du an e los que abajó en di e sas compañías de Es ados Unidos. En el 2000 ya disponía de un p oduc o bas an e comple o y un equipo de desa ollo con el que se había asociado incluso en p oyec os emp esa iales. Ac ualmen e abaja en Zope, una pla a o ma de ges ión de con enidos y se ido de aplicaciones pa a el web, po supues o, p og amada po comple o en Py hon 2.5.2. PyQ  PyQ es un binding de la biblio eca g á ica Q pa a el lenguaje de 7 p og amación Py hon. La biblio eca es á desa ollada po la i ma b i ánica Ri e bank Compu ing y es á disponible pa a Windows, GNU/Linux y Mac OS X bajo di e en es licencias. 7 h ps://www.q .io/ 20    Figu a 2.6: Ejemplo de p ime uso Q Designe En agos o de 2009, as in en a negocia con Ri e bank Compu ing la libe ación de PyQ bajo licencia LGPL sin consegui lo, Nokia, p opie a ia de Q , libe a bajo es a licencia un binding simila , llamado PySide. 2.5.3. NumPy NumPy es, al igual que Pandas, Ma plo lib o Sciki -Lea n, uno de los 8 paque es que no puedes pe de e cuando es ás ap endiendo Machine Lea ning, p incipalmen e po que es a lib e ía p opo ciona una es uc u a de da os de ma iz que iene algunos bene icios sob e las lis as egula es de Py hon. Algunos de es os bene icios son: se más compac o, accede más ápido a lee y esc ibi a ículos, se más con enien e y más e icien e. NumPy es un paque e de Py hon que signi ica “Nume ical Py hon”, es la lib e ía p incipal pa a la in o má ica cien í ica, p opo ciona po en es es uc u as de da os, implemen ando ma ices y ma ices mul idimensionales. Es as es uc u as de da os ga an izan cálculos e icien es con ma ices. 8 h ps://numpy.o g/ 21    Figu a 2.7: C eación de es uc u as de da os con Numpy 2.5.4. LibSVM LibSVM es una de las lib e ías en código abie o más conocidas pa a 9 abaja con máquinas de ec o sopo e. Su licencia es BSD, po lo que hemos podido usa su código C pa a compila nues as p opias e siones de los p og amas de en enamien o y p edicción. Es as lib e ías con ienen un amplio epe o io de APIs en di e en es lenguajes, po ejemplo en Ja a, C, C++, Py hon, R, e c. También ae sopo e pa a apps de and oid. En e sus uncionalidades des acan los clasi cado es de máquina sopo e (SVC), eg esiones (SVR) y es imación de una dis ibución (SVM de una clase). Pa a nues o abajo nos en ocamos exclusi amen e en los clasi cado es de máquina sopo e, en especial C-SVC, que abaja con el hipe -pa áme o C, explicado an e io men e en la eo ía. O a ca ac e ís ica muy impo an e, es que con iene un sc ip llamado g id.py, que se emplea pa a abaja con alidación c uzada. La alidación c uzada es una écnica capaz de consegui esul ados óp imos de los alo es C y gamma pa a un de e minado caso de p ueba con sus p edic o es. En cuan o a ke nels, libSVM sopo a el ke nel lineal, polinomial, adial (gaussiano) y el ke nel sigmoide. En la pa e p ác ica e emos que los ke nels más ú iles pa a nues as clasi caciones se án el ke nel polinomial y el adial. 9 h ps://www.csie.n u.edu. w/~cjlin/libs m/ 22   23   Figu a 4.1: Diag ama del sis ema En la igu a 4.1 se mues a el diag ama del sis ema, compues o p incipalmen e po 3 módulos un paque e común y el Da aSe sob e el que se ealiza el es udio. El paque e common con iene las es uc u as de da os compa idas po los di e en es módulos y ges iona el acceso a libSVM la he amien a que u ilizamos pa a ins ancia SVMs. El módulo 1 ealiza á la ex acción de da os y análisis digi al sob e mues as omadas del Da aSe . El módulo 2 ecibi á los da os del análisis como en ada y ealiza á el en enamien o de la SVM Finalmen e en el módulo 3, con los da os ob enidos as en ena el SVM se enca ga á de ealiza un ba ido sob e una se ie de imágenes pa a iden i ica los obje os clasi icados. 30   4.2. Paque e Common El paque e “common” es un módulo del sis ema que con iene unciones, es uc u as usadas y componen es usados po odo el sis ema. Es á compues o po : ●Es uc u as de da os del da ase u ilizado en los es módulos pa a in e cambia la in o mación en e los mismos. ●He amien as de comp esion y descomp esion de a chi os pa a pode con ene oda la in o mación del da ase en un único iche o. ●LibSVM componen e que pe mi e el uso de las di e en es sis emas de sopo e de ec o es. ●Funciones de cálculo pa a oma las di e en es ca ac e ís icas de las mues as 4.2.1 Componen es del paque e common ●LibSVM: es un sis ema in eg ado de so wa e pa a clasi icación median e ec o es de sopo e ●PyQ : implemen ación pa a py hon del amewo k GUI Q ●Numpy: paque e de py hon que con iene es uc u as y sopo e pa a abaja con ec o es y ma ices. ●Sciki -image ●Pillow: paque e de py hon pa a el a ado de imágenes, con iene es uc u as de da os y unciones que pe mi en abaja sob e imágenes de mane a sencilla. ●Paque e JSON de Py hon ●Paque e zip ile de Py hon 31   4.3. Módulo 1: Ex acción de da os El módulo uno ealiza la ex acción de da os, de las mues as del conjun o de imágenes. Las mues as se án seleccionadas sob e la imagen po el usua io y a pa i del á ea seleccionada se ex ae án da os según la con igu ación que haya p ees ablecido el usua io. Es a ase es p obablemen e la más impo an e pues el es udio se e á a ec ado en g an medida po qué da os se ex aigan sob e las imágenes. En la ba a de he amien as que encon amos a la de echa podemos selecciona una se ie de opciones co espondien es al p ocesamien o de la mues as. Podemos indica el ipo de clase (Posi i o, Nega i o), el amaño, las ca ac e ís icas de la ma iz de coocu encia, es deci , la di ección de coocu encia, la dis ancia, la escala de g ises y po úl imo los Es adís icos co espondien es a la ma iz. Una ez es ablecidas las ca ac e ís icas que se an analiza , omando una imagen, coloca emos manualmen e las mues as nega i as y posi i as, indicando en qué pa es de la imagen el pa ón de neumonía exis e. T as habe de inido odas las mues as que se an a oma sob e una imagen o g upo de imágenes bas a con p ocesa las, y gua da el se de da os gene ado con la in o mación de las mismas pa a p ocede con el es udio. Figu a 4.2: Colocación de mues as de amaño di e so en el módulo 1. 32    4.3.1. Componen es del módulo 1 ●Pillow: paque e de py hon pa a el a ado de imágenes, con iene es uc u as de da os y unciones que pe mi en abaja sob e imágenes de mane a sencilla. ●PyQ : implemen ación pa a py hon del amewo k GUI Q . ●Numpy: paque e de py hon que con iene es uc u as y sopo e pa a abaja con ec o es y ma ices. ●Paque e h eading de Py hon. ●Paque e Common 4.4. Módulo 2: Ap endizaje au omá ico median e SVM El módulo dos se cen a en el ap endizaje au omá ico con los da os ex aídos en el módulo an e io . Con es a he amien a el usua io oma los da os ob enidos en el p ime módulo y aplica á un ap endizaje basado en el sis ema y ke nel seleccionado. El ap endizaje se puede ealiza con di e en es sis emas que pe enecen a libSVM la componen e de es e módulo que ealiza el ap endizaje, es os sis emas que o ece libSVM son los siguien es. ●SVM : es e sis ema abaja sob e una única clase de da os de modo que igno a a las di e en es clases que le asignemos a nues os da os, ú il pa a analiza qué ca ac e ís icas son las mejo e pa a cie as imágenes an es de de ini qué ca ac e ís icas usa emos pa a el es udio. ●c-SVC: es e sis ema emplea el pa áme o denominado “cos e” es a de ine el ma gen de la clasi icación pa a el SVM. ●nu-SVC: es e sis ema el pa áme o “nu” que indica á el núme o de ec o es de sopo e pa a cada clase indicada. ●Ɛ-SVR: SVM de eg esión, es e sis ema emplea un, el pa áme o denominado “epsilon”, es e alo de e mina el ni el de p ecisión de la unción de ap oximación, el ango de es e pa áme o depende del se de da os con el que es amos abajando. ●nu-SVR: SVM de eg esión, es e sis ema emplea la a iable “nu” del mismo modo que se daba an e io men e en el sis ema nu-SVC. 33   Además del epe o io de sis emas an e io men e desc i os libSVM nos pe mi e hace uso de los siguien es ke nels ●Lineal ●Radial ●Sigmoide ●Polinómico Finalmen e, los pa áme os acep ados (que dependen del sis ema y ke nel seleccionados) son los siguien es: ●Deg ee ●Gamma ●Coe 0 ●Cos ●Nu ●Épsilon-SVR ●Cache Size ●Epsilon ●Sh ink ●Es ima e ●Weigh 34   Figu a 4.3: Ejemplo de la GUI del módulo 2. Dis in as opciones de Lib e ía y Ke nels 4.4.1. Componen es del módulo 2 ●PyQ : implemen ación pa a py hon del amewo k GUI Q . ●Paque e h eading de Py hon. ●Paque e Common 35    4.4. Módulo 3: Iden i icado de imágenes El e ce módulo del sis ema u iliza un modelo de inido po el an e io módulo pa a iden i ica los elemen os deseados en imágenes. T as ca ga un da ase oma la con igu ación y da os del mismo pa a con igu a un sis ema de libSVM, as p ocesa una imagen con es a con igu ación “ eñi á” la imagen en las á eas que no o man pa e de la clase posi i a, de es a o ma el usua io ácilmen e puede iden i ica las dos clases en la imagen mi ando el esul ado inal. Pa a empeza el sis ema se ca ga á un da ase p e iamen e de inido median e mues as omadas en el p ime módulo, y la con igu ación del segundo módulo pa a abaja con libSVM, con es a in o mación en ena á el sis ema de inido con los da os de las mues as, es o nos pe mi i á ca ga imágenes pa a se p ocesadas. El p ocesado de la imagen consis i á en un ba ido de la imagen omando los da os de cada pun o de la imagen di idiéndola en mues as semejan es a las omadas en el p ime módulo, es o se inicia á en di e en es p ocesos, an os como núcleos lógicos disponga el sis ema que es á ejecu ando la he amien a, el ba ido gene a á una ma iz de subimagenes, del amaño de la mues a y cada p oceso se enca ga á de p ocesa un g upo p opo cional de las mismas. P ocesa las subimagenes consis i á en oma los da os que concue dan con los de inidos en el p ime módulo y clasi ica la mues a con el modelo de inido al ca ga el da ase , según el esul ado ob enido se ma ca á como clase posi i a o clase nega i a. Una ez inalizado odos los p ocesos que es án clasi icando los di e en es agmen os de la imagen se oma án los esul ados iñendo la imagen de ojo en aquellos pun os que han sido clasi icados como clase nega i a. 4.3.1. Componen es del módulo 3 ●Pillow: paque e de py hon pa a el a ado de imágenes, con iene es uc u as de da os y unciones que pe mi en abaja sob e imágenes de mane a sencilla. ●PyQ : implemen ación pa a py hon del amewo k GUI Q . ●Numpy: paque e de py hon que con iene es uc u as y sopo e pa a abaja con ec o es y ma ices. ●Paque e zip ile de Py hon. ●Paque e h eading de Py hon. 36   ●Paque e mul ip ocessing de Py hon. ●Paque e Common Figu a 4.4: Ejemplo de uso del Módulo 3. 37   38     Capí ulo 5 P uebas y e aluación RESUMEN: En es e capí ulo desc ibi emos el sis ema en su o alidad a pa i de un análisis sob e cada una de las pa es que lo componen. 5.1. In oducción Al comenza a abaja en el p oyec o no sabíamos sob e que ealiza el análisis, ya que desconocemos que puede se más suscep ible o no, de ca a a oma da os median e un análisis po ex u as. Inicialmen e cuando su gió el p oblema del i us SARS-CoV-2, nues o plan eamien o ue aplica las he amien as de análisis en las que es ábamos abajando pa a analiza mues as del i us, c eíamos que es o pod ía se ú il de ca a a iden i ica a in ec ados omando mues as, pasadas po labo a o io, o incluso de ca a a la in es igación sob e el i us mismo. T as un iempo sin encon a un ema conc e o, o pa a el caso un se de imágenes sob e las que abaja , nues o u o nos pasó un da ase de imágenes de pacien es in ec ados con SARS-CoV-2 que habían desa ollado neumonía, es o nos pa eció in e esan e pues se podía abaja en clasi ica la neumonía cuando iene acompañada del SARS-CoV-2, de es a o ma en caso de ene algún éxi o se pod ían u iliza adiog a ías de pacien es pa a e isa si la en e medad espi a o ia de la que padecen es a asociada al i us. El p oblema que u imos inicialmen e con cie o da ase enía dado po la can idad de imágenes que aía, si es e dad, que con el iempo han ido a anzando, pe o en su momen o nos pa eció que e a demasiado pequeño el se y buscábamos al menos pode ealiza p uebas en di e en es imágenes, ga an izando que no ealizamos un sesgo p obando siemp e sob e las mismas imágenes de ca a a la oma de mues as, ya que quizás pod íamos habe de i ado en clasi ica X imágenes con al o éxi o, pe o que dichas mues as no ue an e ec i as de ca a a imágenes ue a de esas iniciales X. Po o o lado, nos opamos con un da ase de kaggle que con enía bas an es imágenes y disponía además de una g an can idad de adiog a ías de pacien es que no padecen nada, o que padecían una neumonía i al, pe o no asociada al SARS-CoV-2, con es o pod íamos desa olla el es udio y e has a qué pun o nues as con igu aciones y oma de mues as podían iden i ica el impac o del i us o si solo iden i ican la neumonía sin más. 39     Capí ulo 6 Conclusiones y abajo u u o RESUMEN: En el siguien e capí ulo ha emos una sín esis de los esul ados y conclusiones que nos ha dejado la elabo ación y consecución del p oyec o así como posibles ías de desa ollo u u o. 6.1. Conclusión Después de habe ealizado el p oyec o con la consecución de odas sus ases co espondien es como lo son la ase de in es igación o abajo p e io más el desa ollo, podemos des aca que el ámbi o del econocimien o de obje os en aplicaciones médicas puede se de g an u ilidad pa a es udian es que es án ap endiendo, y quizás en un u u o no an lejano se á ú il pa a ealiza diagnós icos median e máquinas sin necesidad de un doc o sino sólo de un écnico ope ado que u ilice las he amien as ap opiadas. De es a mane a, si una he amien a de es a u ilidad como lo es la de ección del SARS-CoV-2 hubiese sido implemen ada de mane a p o esional y e icien e es a íamos hablando de una agilización en la de ección de in ec ados o posibles in ec ados pudiendo desa asca en la medida de lo eal el sis ema sani a io. Es á cla o que los es ápidos pa a de ec a el SARS-CoV-2 son mucho más asequibles y eloces, sob e odo cuando la pandemia es á en ases a anzadas. Es o es debido a que a di e encia de un escaneo po Rayos X que implica una logís ica y ecnología, así como un gas o de ecu sos más ele ado, es as p uebas ápidas son más en ables, áciles de maneja , y no equie en condiciones especiales de almacenamien o ni de anspo e de equipo, además de que son accesibles pa a cualquie pe sona. El uso de SVM pa a abo da el p oblema del econocimien o de obje os median e ex u as puede da g andes esul ados pe o siemp e depende de cómo se es á en ocando el p oblema, en es e caso la he amien a desa ollada gi a en o no a una clasi icación bina ia, que nos pe mi e iden i ica cie os obje os, sin emba go, a la ho a de abaja con casos de neumonía asociada al SARS-CoV-2 es di ícil que el análisis concluyen e di e encie en e di e en es neumonías í icas, lo p opio se ía abaja con múl iples clases en ez de ealiza una clasi icación bina ia. 46    6.2. Conclusión A e ha ing ca ied ou he p ojec wi h he achie emen o all i s co esponding phases such as he esea ch phase o p e ious wo k plus de elopmen , we can highligh ha he ield o objec ecogni ion in medical applica ions can be e y use ul o au oma e and acili a e he I wo k o p o essionals in he heal h sec o when making a diagnosis. In his way, i a ool o his u ili y such as he de ec ion o SARS-CoV-2 had been implemen ed in a p o essional and e icien manne , we would be alking abou a s eamlining in he de ec ion o in ec ed o possible in ec ed, being able o unblock he heal h sys em as a as possible. I is clea ha apid es s o de ec SARS-CoV-2 a e much mo e a o dable and as e , especially when he pandemic is in ad anced s ages. This is because, unlike an X- ay scan ha in ol es logis ics and echnology, as well as a highe cos o esou ces, hese apid es s a e mo e cos -e ec i e, easy o handle, and do no equi e special s o age o anspo condi ions. o equipmen , in addi ion o being accessible o anyone. Using SVM o add ess he p oblem o objec ecogni ion in images by ex u e analysis can g an g ea esul s bu i will always depend o how he p oblem is app oached, in his case he ool was de eloped wi h a bina y classi ica ion in mind, which allows us o iden i y ce ain objec s, howe e he p oblem wi h SARS-CoV-2 associa ed pneumonia e sus o he i al pneumonias, since he a lic ion is simila in ex u e, so wo king wi h mo e classes may sol e his so i can be u he uned. 6.3 T abajo u u o Hemos podido obse a que los análisis de ex u as pueden ealiza clasi icaciones de di e en e o mas, es o depende á en muchos casos de los da os es adís icos ex aídos de la imagen jun o con la ma iz de co-ocu encia, los ángulos u ilizados y la máquina de sopo e de ec o es que se u ilice. También con iene de ini un núme o de clases ap opiadas pa a el p oblema omando en cuen a los di e en es elemen os que podemos encon a en la imagen, en ez de asocia po el obje o que buscamos e sus lo demás, ya que es o puede causa p oblemas de ca a a la clasi icación, se pueden da elemen os que no pe enezcan a ninguna clase, o elemen os que pe enezcan incluso a dos , pod ía da se el caso de ejido óseo supe pues o a ejido muscula del co azón po ejemplo. 47    6.2.1. Sis ema de ejecución Uno de los mayo es p oblemas del sis ema p opues o es la elocidad de cálculo, ex ae odos los da os de la imagen equie e una ca ga de abajo algo pesada lo que puede esul a bas an e incómodo a la ho a de uso, u iliza sis emas como puede se el caso de Google Colab . 11 Google Colab pod ía pe mi i deja el paso inal de la iden i icación a la nube, de es a mane a se pod ía ejecu a un da ase con cie a con igu ación, de modo que al inaliza nos diese odos los esul ados de clasi icación de las imágenes, sin necesidad de dispone de un sis ema con mucha po encia, y sin eque i de un uso de ecu sos de nues o p opio sis ema. 6.2.2. Clasi icación con múl iples clases Como se ha ido comen ando a lo la go del documen o uno de los mayo es p oblemas a la ho a de ene éxi o con la clasi icación de la neumonía asociada a SARS-CoV-2 pa ece se el núme o de clases, ex ende el sis ema pa a que pe mi a oma mues as y abaja con múl iples clases pod ía se bas an e ú il a la ho a de clasi ica es e p oblema, o incluso en di e en es p oblemas, ya que cada p oblema iene un núme o de clases óp imo y la posibilidad de de e mina los pe mi e ealiza un ace camien o a la solución más óp ima median e un abajo de p ueba y e o . 6.2.3. De ección de en e medades o anomalías eno ípicas Una aplicación consis en e y de g an u ilidad pa a un u u o no muy lejano, se ía la de ección de en e medades o anomalías eno ípicas, con es o nos e e imos a la de ección de anomalías en el bioma humano como el Sínd ome de Down. Dicha en e medad o ipos de en e medades isuales a ni el acial o co po al pod ían se analizadas del mismo modo pe o a a és de una cáma a común. Aquí el abanico de posibilidades y de ección emp ana de en e medades diagnos icables a ni el isual es inmenso. Si a a és de una cáma a cualquie a pudieses de ec a anomalías en el indi iduo y analiza las mues as con una aplicación de ap endizaje au omá ico, se ía más que posible una de ección e in e ención emp ana de la en e medad. 11 h ps://colab. esea ch.google.com/ 48    Figu a 6.1: Ejemplo de aplicación mó il pa a la de ección del Sínd ome de Down Un ejemplo de aplicación al uso se ía Face2Gene, la cual p o ee de de ección de eno ipos desde o os aciales así como un análisis exhaus i o de la en e medad a de ec a , en es e caso en conc e o el Sínd ome de Down, a a és de un Da aSe in e no con mues as posi i as y nega i as de la en e medad. 6.2.4. Aplicación de las SVM pa a el econocimien o de en el habla o iden i icación de oz A pa i de las SVMs pod íamos de ec a al e aciones en el discu so o iden i icación de in e locu o es pa a uso e apéu ico o o ense según el caso. Median e la ob ención de g andes mues as de discu so en e o os pa ones en el discu so se pod ía llega a un econocimien o exhaus i o dependiendo del Da aSe de mues a dónde se indiquen los casos posi i os y nega i os en el habla. En cuan o al uso o ense, se pod ía ecaba su uso pa a la in e ención de casos a a és de la iden i icación de sospechosos a a és de la in usión o pinchazo de la línea ele ónica y con e sación como al. Sin e izando se pod ía iden i ica pa ones, ya que las SVMs abo dan un p oblema como lo es la clasi icación de pa ones de dos clases posi i os o acep ados y nega i os o echazados. 49   Figu a 6.2: Ejemplo de ma iz de con usión pa a el econocimien o de emociones a a és del habla. 50   51    Capí ulo 7 Con ibuciones indi iduales RESUMEN: En el siguien e capí ulo indica emos las con ibuciones ealizadas po los miemb os del p oyec o 7.1. Joaquín Ba io Lo mann Al comenza el p oyec o lo di idimos en dos pa es, la ase de in es igación y la ase de desa ollo. Po mi pa e inicialmen e me dediqué a busca he amien as pa a desa ollo mejo se adap an al p oyec o que buscábamos desa olla , pa a ello me apoyé en la documen ación inicial en egada po el u o . Po o o lado ambién es u e in es igando di e en es emas a los que se les pudiese aplica la he amien a que es ábamos desa ollando. Inicialmen e encon é un da ase in e esan e que e a mues as mic oscópicas de SARS-CoV-2, al p esen a es o como posible opción de análisis se io que no e a ealmen e algo iable pues se a aban de imágenes de baja calidad y con amaños muy pequeños de modo que la iden i icación de obje os no iba a esul a óp ima. Conjun amen e con mi compañe o en emo o nos jun amos con cie a egula idad pa a a anza en el p oyec o, mien as que mi compañe o a anzaba un poco más en la bibliog a ía y yo iba desa ollando lo ya abajado, siemp e en emo o los dos jun os pa a e isa que odo iba como ambos habíamos comp endido y que no es ábamos omando un camino equi ocado. La comunicación la ealizamos siemp e ía Skype, de modo que median e una llamada y compa i la pan alla de inimos como a anza y ealizamos el desa ollo. Pa a es a ase en cie o pun o comenzamos a u iliza e siones de con ol pa a lle a un egis o del a ance y pa a ene un con ol sob e posibles e siones con peo as. Finalmen e la memo ia se dis ibuye ap opiadamen e y no ue necesa io coo dina se como an e io men e pues lib emen e cada uno abajamos en nues as pa es asignadas, y nos eunimos de iempo en iempo pa a e isa los a ances en e los dos. 52   7.2. Xuebo Zhu Chen Pa a empeza el p oyec o se di idió en dos ases, una ase de in es igación y o a de desa ollo. Po lo que a mí espec a, a pa i de la bibliog a ía y los ecu sos p opo cionados po nues o u o inicié la pues a en ma cha de la ase de in es igación sin e izando y buscando ma e ial online espec o al ema. Va ios ecu sos que nos ue on o o gados nos p opo ciona on las ías posibles de desa ollo pa a la elabo ación de la he amien a. Habiéndose enca gado Joaquín de la pa e de desa ollo como P og amado , y yo como ol de Analis a uimos cons uyendo la he amien a conjun amen e de mane a emo a. La coo dinación y comunicación como se indica en la me odología de abajo se ealizó a a és de Skype p incipalmen e. Du an e la ase de desa ollo, se hizo un uso le e de he amien as de con ol de e siones. Siendo el desa ollo conjun o a a és de los días los módulos se ue on cons uyendo secuencialmen e. Siemp e apoyándonos en las lib e ías de SVM pa a Py hon que o ecía la comunidad. Pos e io men e, en la ealización de la memo ia del p oyec o la dis ibución de la a ea ambién ue di idida. Dicha a ea no necesi aba de an a coo dinación ni comunicación po lo que cada uno ue añadiendo ma e ial y con enido a cada uno de los capí ulos co espondien es de dicha memo ia. 53   54    Capí ulo 8 Apéndice A: Ejemplo de ejecución Como ejemplo oma emos dos imágenes de las mues as usadas pa a el p oblema, una pa a oma mues as y o a pa a clasi ica con los esul ados ob enidos sob e la p ime a imagen. Figu a A.1: Ejemplo de imagen i ica 1 55    Capí ulo 9 Apéndice B: Manual de usua io Pa a empeza , lo p ime o es ob ene los di e en es módulos, pa a odos ellos eque imos Py hon 3.7 acompañado de cie os módulos ex a. Lo más ecomendado pa a es o es el uso de anaconda que nos pe mi e 12 gene a un en o no i ual que se adap a a di e en es en o nos y sis emas. Una ez es é ins alado desde la consola de anaconda (conda p om ): conda ins all -c dsdale24 pyq 5 conda ins all -c anaconda numpy conda ins all -c anaconda pil conda ins all -c conda- o ge sciki -image El es o de paque es necesa ios end án ins alados po de ec o en el en o no de Py hon 3.7 suminis ado po anaconda, o o ma án pa e del código del p oyec o Las siguien es ecnologías y he amien as se án necesa ias pa a la ejecución comple a del p oyec o Requisi os: ●Py hon 3.7 ●common (Paque e suminis ado en el código) ●Módulo 1 (Paque e suminis ado en el código) ●Módulo 2 (Paque e suminis ado en el código) ●Módulo 3 (Paque e suminis ado en el código) ●Sciki -image ●ZipFile(Py hon Lib) ●Ma h(Py hon Lib) ●IO(Py hon Lib) 12 h ps://www.anaconda.com/ 62   ●Th eading (Py hon lib) ●Mul ip ocessing(Py hon Lib) ●JSON (Py hon Lib) ●Pillow ●PyQ T ●Numpy ●Libs m 63   64    Bibliog a ía [1] Ga e h James, Daniela Wi en, T e o Has ie and Robe Tibshi ani. In oduc ion o S a is ical Lea ning. 2014. [2] Alexand e Kowalczyk. Suppo Vec o Machines Succinc ly. 2017 [3] Chih-Wei Hsu, Chih-Chung Chang and Chih-Jen Lin. A P ac ical Guide o Suppo Vec o Classi ica ion. 2003 [4] Alexande S a niko , Douglas Ha din, Isabelle Guyon, Cons an in F. Ali e is. A Gen le In oduc ion o Suppo Vec o Machines in Biomedicine. Feb ua y 2011. Pages: 200 [5] Ghodselahi, A. A hyb id suppo ec o machine ensemble model o c edi sco ing. In e na ional Jou nal o Compu e Applica ions 17 (2011). [6] Hamel, L. H. Knowledge disco e y wi h suppo ec o machines, ol. 3. John Wiley & Sons, 2011. [7] F. J. M. Na as. Desa ollo de un p oceso de decon olución pa a imágenes usando GPUs. Facul ad de in o má ica, Uni e sidad de Mu cia, 2009. [8] Bello i, T., and C ook, J. Suppo ec o machines o c edi sco ing and disco e y o signi ican ea u es. Expe Sys ems wi h Applica ions 36, 2 (2009), 3302-3308. [9] Be ge , S., and Gleisne , F. Eme gence o inancial in e media ies in elec onic ma ke s: The case o online p2p lending. BuR Business Resea ch Jou nal 2, 1 (2009). [10] J. A. Rod igo. Máquinas de Vec o Sopo e (Suppo Vec o Machines, SVMs). h ps:// pubs.com/Joaquin_AR/267926, Ab il, 2017. [11] J. L. G. Rod íguez. Es ado Ac ual de la Rep esen ación y Análisis de Tex u a en Imágenes. Julio, 2008. [12] C is ianini, N., and Shawe-Taylo , J. An In oduc ion o Suppo Vec o Machines and O he Ke nel-based Lea ning Me hods. Camb idge Uni e si y P ess, 2000. [13] C ook, J. N., Edelman, D. B., and Thomas, L. C. Recen de elopmen s in consume c edi isk assessmen . Eu opean Jou nal o Ope a ional Resea ch 183, 3 (2007), 1447-1465. [14] de Souza, C. R. Ke nel unc ions o machine lea ning applica ions, Ma ch 2010. 65 