Identificación de imágenes por análisis de texturas utilizando aprendizaje automático

Iden icación de imágenes po análisis de ex u as u ilizando ap endizaje au omá ico T abajo de n de g ado Nicolás Alcaine Camilli Alejand o Rod íguez Chacón 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 2018/2019 Iden icación de imágenes po análisis de ex u as u ilizando ap endizaje au omá ico Memo ia p esen ada pa a el abajo de n 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 2018/2019 Ag adecimien os Que emos ag adece los ánimos, la ayuda y el conocimien o ecibidos a una g an can idad de pe sonas. Sin ellas, es e abajo no hab ía sido posible. En p ime luga , que emos e e i nos a nues o u o , José Jaime Ruz O iz, po pe mi i nos ealiza es e TFG, po su buena e, po su paciencia y po se una uen e de es ímulo y conocimien o ines imable. También que emos da las g acias a nues os amilia es, compañe os en la acul ad y amigos. Ellos han sido un sos én en e a la ad e sidad, pues siemp e nos han ansmi ido sus mejo es deseos y nos han o ecido su ayuda incondicional. No nos ol idamos ampoco de odos los p o eso es, que, du an e la ca- e a, g acias a su labo docen e, nos han p epa ado pa a a on a el u u o con la mayo de las segu idades. Po úl imo, debemos ag adece a odos aquellos au o es, pasados o p e- sen es, que, bien a a és de la publicación de lib os o a ículos, o bien me- dian e el desa ollo de la écnica, han c eado el sedimen o que hace posible, no solo es e abajo, sino cualquie o o abajo, ac ual o u u o. Resumen En la ac ualidad, el econocimien o de obje os en imágenes a a és del p ocesamien o digi al y el ap endizaje au omá ico es un campo que se en- cuen a en cla o auge den o del mundo mode no, es o es así has a el pun o de que la u ilización de las ecnologías de i adas de es a á ea de in es i- gación han gene ado múl iples dilemas é icos en la sociedad ac ual. Pa a pode ase e a es a a mación no enemos más que ememo a las dis in as polémicas causadas, ecien emen e, po los sis emas de econocimien o acial. Den o del p ocesamien o digi al po ap endizaje au omá ico encon a- mos el análisis de ex u a como una de las a ian es más p ominen es en el o ganig ama de es e ex enso campo. Y p ecisamen e es e se á el ema un- damen al de nues o p oyec o, el cual desa olla emos y p o undiza emos a lo la go de es as páginas. Po ende, nues o obje i o pa a es e p oyec o se á implemen a un en- o no ope a i o que acili e el desa ollo de di e en es aplicaciones de cla- sicación de ex u as y que pe mi a ensayos con di e en es pa áme os y congu aciones. Además, aplica emos el sis ema, a modo de ensayo p ác ico, sob e el p oblema de iden icación de la neumonía a pa i de adiog a ías con ayos X. Pa a lle a a cabo es o, el p oyec o se di idi á en a ias pa es di e en- ciadas: In es igación y es udio p e io. Desa ollo de la aplicación en es módulos uncionales. Tes eo pa a la búsqueda de posibles e o es de implemen ación y bús- queda de la congu ación óp ima pa a el p oblema de la neumonía. Resul ados y conclusiones. ii Abs ac Nowadays, he ecogni ion o objec s in images h ough digi al p oces- sing and machine lea ning is a eld ha is clea ly booming in he mode n wo ld, his is so o he poin ha he use o echnologies de i ed om his a ea o esea ch has gene a ed mul iple e hical dilemmas in oday's socie y. To be able o asse his a ma ion we ha e only o emembe he die en con o e sies caused, ecen ly, by he acial ecogni ion sys ems. Wi hin he digi al p ocessing by machine lea ning we nd ex u e analy- sis as one o he mos p ominen a ian s in he o ganiza ion cha o his ex ensi e eld. And p ecisely his will be he undamen al heme o ou p o- jec , which we will de elop and deepen h oughou his pages. The e o e, ou goal o his p ojec will be o implemen an ope a ing en- i onmen ha acili a es he de elopmen o die en ex u al classica ion applica ions and allows es ing wi h die en pa ame e s and congu a ions. In addi ion, we will apply he sys em, as a p ac ical es , on he p oblem o iden i ying pneumonia om x- ays. To ca y ou his, he p ojec will be di ided in o se e al die en ia ed pa s: Resea ch and p e ious s udy. De elopmen o he applica ion in h ee unc ional modules. Tes ing o sea ch o possible implemen a ion e o s and sea ch o he op imal congu a ion o he pneumonia p oblem. Resul s and conclusions. ix x i Índice 3. Me odología de abajo 23 3.1. Googled i e............................ 24 3.2. Googlehangou s ......................... 24 3.3. Gi lab............................... 25 3.4. Gi K aken............................. 25 4. Iden icación de análisis po ex u a u ilizando ap endizaje au omá ico 27 4.1. Funcionamien o gene al del sis ema . . . . . . . . . . . . . . . 27 4.2. Módulo 1: Toma de mues as . . . . . . . . . . . . . . . . . . 27 4.2.1. Componen es del módulo . . . . . . . . . . . . . . . . 30 4.3. Módulo 2: Ap endizaje de la SVM . . . . . . . . . . . . . . . 30 4.3.1. Componen es del módulo . . . . . . . . . . . . . . . . 31 4.4. Módulo 3: Clasicación de mues as con la SVM . . . . . . . 33 4.4.1. Componen es del clasicado . . . . . . . . . . . . . . 36 5. P uebas y e aluación 37 5.1. In oducción............................ 37 5.2. Elp oblema............................ 38 5.3. El conjun o de da os . . . . . . . . . . . . . . . . . . . . . . . 38 5.4. Elexpe imen o .......................... 39 6. Conclusiones y abajo u u o 43 6.1. Conclusión............................. 43 6.2. Conclusion............................. 44 6.3. T abajo u u o .......................... 46 6.3.1. U iliza o os mé odos de análisis . . . . . . . . . . . . 46 6.3.2. Velocidad de ejecución . . . . . . . . . . . . . . . . . . 47 6.3.3. O os abajos u u os . . . . . . . . . . . . . . . . . . 48 7. Con ibuciones indi iduales 49 7.1. Nicolás Alcaine Camilli . . . . . . . . . . . . . . . . . . . . . . 49 7.2. Alejand o Rod íguez Chacón . . . . . . . . . . . . . . . . . . 50 8. Apéndice A: Ejemplo de ejecución 53 9. Apéndice B: Manual de usua io 63 Bibliog a ía 65 Índice de gu as 2.1. Ejemplo de escala de g ises. . . . . . . . . . . . . . . . . . . . 10 2.2. Ejemplo de como esul a ía la ma iz de co-ocu encia de dis- ancia 1 y di ección es e. . . . . . . . . . . . . . . . . . . . . . 11 2.3. Ma iz de co-ocu encia (1,0) pa a la imagen de p ueba. . . . 11 2.4. No maliación de la ma iz. . . . . . . . . . . . . . . . . . . . . 12 2.5. Ca ac e ís icas implemen adas en el p oyec o. Siendo P i,j la p obabilidad de co-ocu encia de los alo es de g is i y j, pa a unadis anciadada........................ 13 2.6. Concep o de la SVM. . . . . . . . . . . . . . . . . . . . . . . . 14 2.7. Hipe plano de sepa ación. . . . . . . . . . . . . . . . . . . . . 15 2.8. Hipe plano de sepa ación máxima. . . . . . . . . . . . . . . . 16 2.9. Clases no sepa able linealmen e. . . . . . . . . . . . . . . . . . 17 2.10.Ke nellineal. ........................... 18 2.11. Ke nel polinómico. . . . . . . . . . . . . . . . . . . . . . . . . 18 2.12. Ke nel gaussiano. . . . . . . . . . . . . . . . . . . . . . . . . . 19 3.1. Vis a de las amas del p oyec o desde Gi K aken. . . . . . . . 25 4.1. Vis a del módulo de oma de mues as. . . . . . . . . . . . . . 28 4.2. Ejemplo de mues eo. . . . . . . . . . . . . . . . . . . . . . . . 29 4.3. Diag ama de bloques del sis ema . . . . . . . . . . . . . . . . 30 4.4. Vis adelmódulo2........................ 33 4.5. Vis adelmódulo3........................ 34 4.6. Ejemplo de esul ado del ba ido . . . . . . . . . . . . . . . . 35 4.7. Comando de acceso a libs m . . . . . . . . . . . . . . . . . . . 36 5.1. Resul ados de las p uebas . . . . . . . . . . . . . . . . . . . . 39 5.2. Ba ido esul an e de la congu ación 13 . . . . . . . . . . . . 41 5.3. Ba ido esul an e de la congu ación 13 . . . . . . . . . . . . 42 5.4. Ba ido esul an e de la congu ación 13 . . . . . . . . . . . . 42 6.1. Ejemplo de geome ía ac al en la na u aleza. . . . . . . . . . 46 x ii x iii Índice de igu as 6.2. Compa a i a de endimien o en la decon olución de una ima- gen, implemen ada sob e una CPU, mul ip og amada sob e ocho núcleos y en una GPU median e CUDA. [8] . . . . . . . 47 8.1. ................................... 53 8.2. ................................... 54 8.3. ................................... 54 8.4. ................................... 55 8.5. ................................... 56 8.6. ................................... 56 8.7. ................................... 57 8.8. ................................... 57 8.9. ................................... 58 8.10.................................... 58 8.11.................................... 59 8.12.................................... 60 8.13.................................... 60 8.14.................................... 61 Índice de Tablas xix Capí ulo 1 In oducción Resumen: en es e capí ulo se expone la mo i ación que nos ha lle ado a desa olla es e p oyec o, así como los obje i os iniciales del mismo. 1.1. Mo i ación Desde los inicios de la in o má ica siemp e se ha a ado de c ea máqui- nas, cada ez más complejas, que ue an capaces de emula algunas de las ca ac e ís icas, unciones y mane as de p ocesa la ealidad p opias del se humano. En es e sen ido, las compu ado as end ían a se un con enedo del conocimien o del homb e sal o po el hecho de que disponen de una capaci- dad de cómpu o inni amen e supe io . Se ían un auxilia que posibili a ía el descub imien o de nue os a ances cien ícos y a ilugios écnicos. En pa- lab as de Vanne a Bush: " Cie amen e, se debe á asegu a la delegación en las máquinas del a duo abajo que equie e la compleja y de allada manipulación ma emá ica de los da os, si deseamos que el ce eb o de esos cien ícos quede lib e pa a canali- za lo a a eas mucho más impo an es que la me a ans o mación epe i i a de los da os según eglas p ees ablecidas "[3]. Uno de los campos de la in o má ica donde más palpable se hace lo dicho y que más se ha expandido en los úl imos iempos es la isión po o dena- do , la cual deni íamos como " una disciplina cien íca que incluye mé odos pa a adqui i , p ocesa , analiza y comp ende las imágenes del mundo eal con el n de p oduci in o mación numé ica o simbólica pa a que puedan se a ados po un o denado " 1 . Tal y como los humanos usamos nues os ojos 1 h ps://es.wikipedia.o g/wiki/Visión_a icial 1 2 Capí ulo 1. In oducción y ce eb os pa a comp ende el mundo que nos odea. Y es den o del á ea de la isión po compu ado donde encon amos el campo del econocimien o de pa ones g ácos, que a su ez, engloba el análisis de ex u as como una de las amas más p ominen es, ya que es la esponsable de mul i ud de hallazgos y aplicaciones an impo an es como: Diagnós ico de cánce de piel y lesiones pigmen adas benignas (G een e al., 1991), ecupe ación de imágenes po colo y ex u a (Vel kamp y Hagedoo n, 1999), diagnós ico de mioca di is (Fe deghini e al., 1991), de ección de ca- ac e ís icas de los hielos pola es (Seph on e al., 1994), clasicación de las ocas olcánicas po ex u a (He nández, 1995), clasicación de o maciones ege ales (Gil e al., 1997a), iden icación de pe sonas median e la ex u a del I is y de ección de esiduos en de e minados medios u ilizando cáma as óp icas. Cla o es á que implemen a odas es as he amien as no es una a ea sencilla. Pa a log a lo, hay que apoya se en écnicas de clasicación basadas en ap endizaje au omá ico, como edes neu onales o, en nues o caso, SVM; y en écnicas de ADI (Análisis Digi al de Imágenes), las cuales es án ela- cionadas con la ex acción de mediciones ú iles, da os o in o mación de un campo de la imagen u ilizando disposi i os y sis emas au omá icos. 1.2. Obje i os El obje i o p incipal de es e TFG es implemen a un analizado de ex- u as que sea capaz de iden ica la p esencia de un de e minado ma e ial en una imagen an solo a eniéndonos a su ex u a. No end emos en cuen a o as ca ac e ís icas como el colo y la o ma del ma e ial. Pa a ello hab á, en p ime luga , que analiza digi almen e las imáge- nes de nues o da ase y ob ene mues as que nos si an pos e io men e pa a en ena nues a máquina y clasica las imágenes. Es a a ea se com- ple a á haciendo uso de mé odos es adís icos, basados en el his og ama de la ma iz de g ises de la imagen; de la ma iz de co-ocu encia de segundo o den, de i ada del his og ama de g ises; y de 14 desc ip o es de ácil cálculo. En segundo luga , hab emos de ins ancia una SVM (Suppo ec o ma- chine), pa a en ena y clasica , que eciba como en ada los ec o es de ca ac e ís icas de las mues as ecogidas en la p ime a pa e, o las p opias componen es de la ma iz de co-ocu encia . Po úl imo, y como complemen o u obje i o secunda io, aplica emos o- 1.3. Visión gene al del documen o 3 do el sis ema sob e un caso conc e o de la ealidad y ealiza emos un es udio sob e la calidad de los esul ados ob enidos. 1.3. Visión gene al del documen o El documen o es a á di idido en los siguien es capí ulos que se mues an a con inuación: Capí ulo 2: se explica á odo el es udio p e io a la implemen ación del sis ema. Capí ulo 3: en es e apa ado explica emos odo lo elacionado con la ges ión del p oyec o y la adminis ación del abajo. Capí ulo 4: desc ibi emos el sis ema en su o alidad a pa i de un análisis de allado de cada una de sus pa es. Capí ulo 5: compo amien o del sis ema sob e un p oblema conc e o. Capí ulo 6: conclusiones del abajo y p oyec os u u os. Capí ulo 7: se expond án las con ibuciones de cada miemb o del equi- po al esul ado nal. Apéndice A: ejemplo de ejecución de la aplicación. Apéndice B: manual de usua io. 4 Capí ulo 1. In oducción 1.4. Mo i a ion Since he beginning o compu ing, we ha e always ied o c ea e inc ea- singly complex machines ha we e able o emula e some o he cha ac e- is ics, unc ions and ways o unde s and p ope ly eali y as human being would. In his sense, compu e s would become a con aine o he knowledge o man, excep by he ac ha hey ha e an inni ely supe io compu ing capaci y. They would be an auxilia y ha would enable he disco e y o new scien ic ad ances and echnical de ices. In he wo ds o Vanne a Bush: " Relie mus be secu ed om labo ious de ailed manipula ion o highe ma hema ics as well, i he use s o i a e o ee hei b ains o some hing mo e han epe i i e de ailed ans o ma ions in acco dance wi h es ablished ules. "[3]. One o he elds o compu e science whe e wha has been said is mos palpable and has been expanded he mos in ecen imes is compu e ision, which we would dene as " an in e disciplina y scien ic eld ha deals wi h how compu e s can be made o gain high-le el unde s anding om digi al images o ideos. F om he pe spec i e o enginee ing, i seeks o au oma e asks ha he human isual sys em can do. " 2 . And i is wi hin he a ea o compu e ision whe e we nd he eld o ecogni ion o g aphic pa e ns, which, in u n, encompasses he analysis o ex u es as one o he mos p ominen b anches, since i is esponsible o a mul i ude o ndings and applica ions as impo an as: skin cance and benign pigmen ed lesions diagnosis(G een and ano he s,1991), eco e y o images by colo and ex u e (Vel kamp and Hagedoo n,1999), myoca di- is diagnosis(Fe deghini and o he s, 1991), de ec ion o pola ice cha ac e- is ics(Seph on and o he s, 1994), classica ion o olcanic ocks by ex u- e(He nández, 1995), classica ion o plan o ma ions(Gil and o he s, 1997), iden ica ion o people h ough he ex u e o I is and de ec ion o was e in ce ain a ea using op ical came as. O cou se, implemen ing all hese ools is no a simple ask. To achie- e his, we mus ely on classica ion echniques based on machine lea ning, such as neu al ne wo ks o , in ou case, SVM; and in he echniques o digi al image análisis which a e ela ed o he ex ac ion o use ul measu emen s, da a o in o ma ion om a eld o he image using de ices and au oma ic sys ems. 2 h ps://en.wikipedia.o g/wiki/Compu e _ ision 1.5. Objec i es 5 1.5. Objec i es The main objec i e o his pape is o implemen a ex u e analyze able o iden i y he p esence o a ce ain ma e ial in an image only by adhe ing o i s ex u e. We will despise o he cha ac e is ics such as he colo and shape o he ma e ial. To do his, we will  s ha e o digi ally analyze he images o ou da- ase and ob ain samples ha will se e us la e o ain ou machine and classi y he images. This ask will be comple ed using s a is ical me hods, based on he his og am o he g ay ma ix o he image; by he second-o de co-occu ence ma ix, de i ed om he g ay his og am; and 14 easily calcu- la ed desc ip o s. In second e m, we will ha e o ins an ia e an SVM (Suppo ec o ma- chine), o ain and classi y, ha ecei es as inpu he cha ac e is ics ec o s o he samples collec ed in he  s pa , o he own componen s o he co- ocu ence ma ix. Finally, as a complemen o seconda y objec i e, we would like o apply he whole sys em on a conc e e case o eali y and ealize a small s udy on he quali y o he esul s ob ained. 1.6. Gene al ision o he documen The documen will be di ided in o he ollowing chap e s: Chap e 2: he en i e s udy p e ious o he implemen a ion o he sys- em. Chap e 3: in his sec ion we will explain e e y hing ela ed o he p ojec managemen and adminis a ion. Chap e 4: we will desc ibe he sys em a i s en i e y om a de ailed analysis o each o i s pa s. Chap e 5: beha io o he sys em on a specic p oblem. Chap e 6: conclusions o wo k and u u e p ojec s. Chap e 7: he con ibu ions o each eam membe o he nal esul . Appendix A: execu ion example. Appendix B: use manual. 12 Capí ulo 2. T abajo p e io Figu a 2.4: No maliación de la ma iz. enemos así el cálculo de ambos sen idos en una misma di ección, aho a enemos: es e-oes e, no e-su , no es e-su oes e, no oes e-su es e). Es o se consigue sumando la ma iz de coocu encia calculada en una di ección a su aspues a. Ya que enemos la ma iz simé ica, lo siguien e y lo úl imo que hay que hace es exp esa la como ma iz de p obabilidad, no maliza la al como mues a la Figu a 2.4. Una ez que enemos la ma iz no malizada, pod emos u iliza la pa a ob- ene medidas es adís icas, que desc iban la ex u a. Reco demos que, una ez que se denan es as ca ac e ís icas, los bloques de imágenes se pue- den clasica u ilizando una de las múl iples écnicas de econocimien o de pa ones. Ha alick denió es as 14 ca ac e ís icas: Segundo momen o angu- la , con as e, co elación, a ianza, momen o de di e encia in e sa, suma de p omedios, suma de a ianzas, suma de en opía, en opía, di e encia de a ianza, di e encia de en opía, medidas de in o mación de la co elación y máximo coecien e de co elación. Cada ca ac e ís ica nos da á in o mación dis in a, y se á más ele an e dependiendo de la na u aleza de la ex u a. Las ca ac e ís icas que noso os hemos implemen ado pa a o ma los ec o es de clasicación son las siguien es: 2.3. SVM 13 Figu a 2.5: Ca ac e ís icas implemen adas en el p oyec o. Siendo P i,j la p obabilidad de co-ocu encia de los alo es de g is i y j, pa a una dis ancia dada 2.3. SVM Es bien sabido que exis en una g an can idad de algo i mos de clasi- cación, como las edes neu onales o la eg esión logís ica, pa a clasica conjun os de da os. La mayo ía de ellos uncionan de una o ma muy simi- 14 Capí ulo 2. T abajo p e io la , po lo que hay que ene un conocimien o muy ele ado de los ma ices que apo a cada algo i mo pa a elegi el co ec o en cada momen o. La ma- yo ía de las eces la a iable más c í ica de un p oblema se á el amaño de su conjun o de da os; la máquina de ec o de sopo e es una de las écnicas que más po encial puede apo a en es a si uación. Una desc ipción bas an e ap oximada de cómo unciona una SVM se ía: dado un conjun o de pun os, subconjun o de un conjun o mayo (espacio), en el que cada uno de ellos pe enece a una de dos posibles ca ego ías, un algo i mo basado en SVM cons uye un modelo capaz de p edeci si un pun o nue o (cuya ca ego ía desconocemos) pe enece a una ca ego ía o a la o a. 4 Pa a comple a es a denición, es necesa io deci que la idea de ás de la máquina es la de clasica un conjun o de da os de cualquie dimensiona- lidad, pa ame izado ma emá icamen e, buscando el hipe plano que di ide al conjun o de da os en las clases dadas. Siemp e hab á muchos hipe planos que clasiquen a ese conjun o de da os de o ma más o menos co ec a. Po an o, la cla e es encon a aquel que haga una mejo clasicación, es deci , aquél que deje un mayo ma gen en e ambas clases. Es a úl ima es la azón po la que, a eces, se conoce a las SVM como clasicado es de ma gen má- ximo. Figu a 2.6: Concep o de la SVM. Ad e imos que en es e abajo no se p o undiza á en el aspec o ma e- má ico, pe o puede encon a se una desc ipción de allada en el lib o Suppo Vec o Machines Succinc ly by Alexand e Kowalczyk [7]. 4 h ps://es.wikipedia.o g/wiki/Máquinas_de_ ec o es_de_sopo e 2.3. SVM 15 2.3.1. Maximal Ma gin Classie e Hipe plano En un espacio p-dimensional, un hipe plano se dene como un subespacio plano y a ín de dimensiones p−1 . El é mino a ín signica que el subespa- cio no iene po qué pasa po el o igen. [11] En el caso de un espacio de dimensión uno el hipe plano se á un pun o (di ide una línea en dos). Si lo que enemos es un espacio de dimensión dos, un plano, en onces el hipe - plano se á una ec a. Es o es gene alizable a cualquie dimensión median e la siguien e ecuación: β0+β1x1+β2x2+... +βpxp= 0 Y es p ecisamen e es a ecuación la que nos in e esa pa a conoce el un- cionamien o del SVM. Simplemen e: β0+β1x1+β2x2+... +βpxp<0 o bien β0+β1x1+β2x2+... +βpxp>0 Vemos como el hipe plano di ide el espacio en dos mi ades, de al o - ma que dependiendo del signo del esul ado de esol e la ecuación pa a un pun o X implica que es e pun o sea clasicado en una u o a clase. Lo dicho se comp ende á mucho mejo median e un ejemplo. En la siguien e imagen con emplamos un espacio bidimensional que es di idido median e un hipe plano, en es e caso una ec a. La ecuación que desc ibe es a ec a es 1 + 2x1+ 3x2= 0 . Así emos que al á ea azul la con o ma án los pun os que cumplen: 1 + 2x1+ 3x2>0 , mien as que la egión oja se á aquella que se o me con los pun os que sa is acen la misma ecuación con signo con a io. Figu a 2.7: Hipe plano de sepa ación. 16 Capí ulo 2. T abajo p e io Pa a esol e los p oblemas de clasicación con SVM hay que encon a el hipe plano óp imo de sepa ación o maximal ma gin hype plane , es deci aquel que se encuen a más alejado de odas las obse aciones de en ena- mien o. Pa a ob ene lo, se iene que calcula la dis ancia pe pendicula de cada obse ación a un de e minado hipe plano. La meno de es as dis ancias de e mina el ma gen máximo de sepa ación que hab á que op imiza has a llega al maximal ma gin hype plane . Figu a 2.8: Hipe plano de sepa ación máxima. La imagen an e io mues a el maximal ma gin hype plane pa a un con- jun o de da os de en enamien o. Las es obse aciones equidis an es espec- o al maximal ma gin hype plane se encuen an a lo la go de las líneas discon- inuas que indican la anchu a del ma gen. A es as obse aciones se les conoce como ec o es sopo e, ya que son ec o es en un espacio p-dimensional y sopo an (denen) el maximal ma gin hype plane . Cualquie modicación en es as obse aciones ( ec o es sopo e) conlle a cambios en el maximal ma - gin hype plane [11]. 2.3.2. Clasicado de ec o sopo e o So Ma gin SVM Siemp e que clasicamos con SVM nos gus a ía encon a un hipe plano que ue a capaz de hace una sepa ación pe ec a del conjun o de da os. Pe- o, a eces, es a sepa ación o bien no es posible, o bien es con ap oducen e a la ho a de gene aliza el p oblema, al pasa de en enamien o a clasicación. En el p ime caso se puede expe imen a con dis in os ipos de Ke nels pa a adap a "la o ma"del hipe plano a "la nube de pun os". En el segundo caso es amos an e un p oblema de sob eajus e(o e  ing), que solo se solu- 2.3. SVM 17 Figu a 2.9: Clases no sepa able linealmen e. ciona á usando un pa áme o C que apo e cie a exibilidad y con ole la compensación en e e o es de en enamien o y los má genes ígidos, c ean- do así un ma gen blando que pe mi a algunos e o es en la clasicación a la ez que los penaliza 5 . Cuan o mayo es el alo de C mayo es el ajus e. 2.3.3. Ke nels En el pun o an e io decíamos que, en ocasiones, la sepa ación en e dos conjun os de da os es in iable y que pa a ello necesi a íamos con a con o as o mas de hipe plano que no clasiquen de o ma lineal. Es o se log a con la u ilización de dis in os ipos de ke nel. Un ke nel es una unción que de uel e el esul ado del do p oduc en e dos ec o es ealizado en un nue o espacio dimensional dis in o al que se encuen an los ec o es. Aunque no se ha en ado en de alle en las ó mu- las ma emá icas empleadas pa a esol e el p oblema de op imización, es a con iene un do p oduc . Si se sus i uye es e do p oduc po un ke nel, se ob ienen di ec amen e los ec o es sopo e (y el hipe plano) en la dimensión co espondien e al ke nel [11]. Exis en mul i ud de ke nels dis in os, algunos de los más u ilizados y que se emplean en el abajo son: Ke nel lineal (Figu a 2.9): K(x, x0) = x∗x0 . Si se emplea un Ke nel lineal, el clasicado Suppo Vec o Machine ob enido es equi alen e al Suppo Vec o Classie . 5 h ps://es.wikipedia.o g/wiki/Máquinas_de_ ec o es_de_sopo e 18 Capí ulo 2. T abajo p e io Figu a 2.10: Ke nel lineal. Ke nel polinómico (Figu a 2.10): K(x, x0) = (x∗x0+c)d . Cuando se emplea d = 1 y c = 0, el esul ado es el mismo que el de un ke nel lineal. Si d >1, se gene an lími es de decisión no lineales, aumen ando la no linealidad a medida que aumen a d. No suele se ecomendable usa d >5 po p oblemas de o e  ing . Figu a 2.11: Ke nel polinómico. Ke nel gaussiano (Figu a 2.11): K(x, x0) = exp(−γ||x−x0||2) . El alo de γ con ola el compo amien o del ke nel, cuando es muy pe- queño el modelo nal es equi alen e al del ke nel lineal, a medida que aumen a su alo , ambién lo hace la exibilidad del modelo. 2.4. Tecnologías ele an es 19 Figu a 2.12: Ke nel gaussiano. 2.4. Tecnologías ele an es 2.4.1. Py hon Py hon es un lenguaje de al o ni el de los años 90 c eado po Guido an Rossum que en los úl imos años ha ganado bas an e popula idad. Uno de sus g andes a ac i os es que in en a ace ca se al lenguaje na u al, en a izando la legibilidad y limpieza del código, pe mi iendo que sea ela i amen e sen- cillo ealiza desa ollos usando dicho lenguaje. También es un lenguaje in e p e ado que usa ipado dinámico y esolu- ción dinámica de nomb es. Sopo a di e en es pa adigmas, pe mi iendo que se abaje en p og amación impe a i a, uncional y o ien ada a obje os, lo que le da una g an e sa ilidad. Py hon con iene una amplia lib e ía es ánda , y un g an núme o de mó- dulos que le dan una g an can idad de he amien as pa a abaja en di e- en es ámbi os, siendo uno de los más des acados el análisis de da os, lo cual hace que sea un lenguaje ecu en e en el desa ollo de aplicaciones cien í- cas. Aunque nalmen e no hemos usado las biblio ecas de Py hon pa a im- plemen a las pa es de ap endizaje au omá ico de la máquina de ec o de sopo e, mo i ados po su acilidad de uso y po la exis encia de he amien- as pa a la elabo ación de in e aces, sí lo hemos empleado en la cons ucción 20 Capí ulo 2. T abajo p e io de los módulos 1 y 3. 2.4.2. Pillow Pillow es una lib e ía OpenSou ce pa a Py hon que añade una g an can- idad de unciones de uso común pa a abaja con imágenes, como pueden se : aplicación de l os, edimensionado de imágenes y cambios de o ma o. Es una he amien a muy impo an e de ca a al p oyec o, dado que el p ime y e ce módulo ealizan un análisis donde se u ilizan dis in as ope- aciones pa a simplica la ex acción de da os sob e las múl iples imágenes. 2.4.3. NumPy y SciPy NumPy es una lib e ía OpenSou ce pa a Py hon que añade uncionali- dades pa a abaja con ec o es y ealiza calculos cien icos. Basada en la lib e ía Nume ic, se c eó pa a ene un código de ácil man enimien o, op imizado pa a da mayo eciencia, y exible en su uso. NumPy nos apo a di e en es es uc u as, más ecien es que las es ánda de Py hon, pa a encapsula da os como ec o es o ma ices(como es el caso de la ma iz de Co-Ocu encia). SciPy es una lib e ía OpenSou ce pa a Py hon que añade una g an co- lección de algo i mos ma emá icos y p opo ciona a los usua ios una in e az capaz de p ocesa da os con la misma ecacia que he amien as como Ma lab u Oc a e. 2.4.4. PyQ PyQ es un binding de la biblio eca g áca Q pa a el lenguaje de p o- g amación Py hon. Fue desa ollado po Ri e bank Compu ing. Q es un amewo k que pe mi e desa olla aplicaciones mul ipla a o ma e in e aces g ácas. Desa ollado en 1992, nace pa cialmen e en un desa ollo de código abie o, pe o no comple amen e lib e. Fue u ilizado en el desa o- llo de KDE, ac ualmen e uno de los esc i o ios más popula es de GNU/Linux. 2.4. Tecnologías ele an es 21 2.4.5. Ja aFX Ja aFX es una pla a o ma so wa e con la capacidad de p oduci aplica- ciones web p o is as de las ca ac e ís icas de una aplicación de esc i o io. Es la al e na i a a Swing más usada debido a la exibilidad de es ilos en las componen es, lo cual se consigue median e el empleo de hojas css. Po es a azón, hemos op ado po Ja aFX pa a p oduci una in e az dinámica pa a el módulo 2 que sea capaz de adap a sus es ilos en las di e en es pla- a o mas, y que además sea lo más simple y ampliable posible. Cabe des aca que, al emplea lenguaje Ja a, ha sido bas an e sencillo comunica se en e p ocesos de la e minal y ealiza llamadas a p og amas de libSVM, consiguiendo que un p oceso hijo sea espe ado po su pad e en sólo unas pocas líneas de código. 2.4.6. libSVM libSVM es una de las lib e ías en código abie o más conocidas pa a a- baja 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 o- g 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 len- guajes, 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 cla- se). 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. 28 Capí ulo 4. Iden icación de análisis po ex u a u ilizando ap endizaje au omá ico condicionado po el a amien o que se le haya dado a las imágenes en es e componen e. Figu a 4.1: Vis a del módulo de oma de mues as. El módulo de oma de mues as cuen a con dos "modalidades"pa a ea- liza el análisis sob e la imagen: análisis es adís ico y análisis po ma iz de co-ocu encia, cons uida al y como indicamos en el capí ulo 2 de es a memo ia . En caso de que e ealiza un análisis es adís ico, el usua io selec- ciona á ESTADÍSTICOS, las ca ac e ís icas que desee aplica a la imagen y p ocede á con el mues eo. Si lo que que emos es ealiza un análisis sob e la ma iz de co-ocu encia, selecciona emos MATRIZ CO-OCURRENCIA, las ca ac e ís icas deseadas, la di ección de la co-ocu encia (es necesa ia al menos una di ección), un escalado de g ises(cada mues a se á ans o - mada a una ma iz de g ises), una dis ancia y, nalmen e, se p ocede á al mues eo. De mane a opcional se pod á ma ca la opción . A ñadi ma iz de co-ocu encia como ca ac e ís ica", con ella pod emos añadi cada compo- nen e de la ma iz de co-ocu encia como una componen e más del ec o de ca ac e ís icas de cada mues a analizada. En esumen podemos inco po a una es a egia más (comúnmen e u ilizada en es udios p eceden es) pa a ob- ene in o mación de las imágenes. Ambas modalidades ope a án sob e las ca ac e ís icas denidas en el ca- pí ulo 2, sin emba go, la p ime a de ellas analiza á las mues as aplicando 4.2. Módulo 1: Toma de mues as 29 l os y cálculos di ec amen e sob e los da os de las ma ices de las mues- as, mien as que la segunda calcula á, en p ime luga , las ma ices de co-ocu encia de las dis in as mues as, con la congu ación seleccionada pa a dichas ma ices, y aplica á las ca ac e ís icas sob e ellas, en ez de di- ec amen e sob e las mues as. Finalmen e queda el mues eo, que consis i á en selecciona una de las dos clases de mues a (posi i a o nega i a), e i clickeando sob e la imagen pa a que se ma quen las mues as. Una ez e minado el mues eo se ealiza el p ocesado de cada mues a y se almacena en una es uc u a de da os. Figu a 4.2: Ejemplo de mues eo. Reco damos que la idea de es a aplicación es c ea un un en o no ope- a i o que acili e el desa ollo de di e en es aplicaciones de clasicación de ex u as, pe mi iendo ensayos con di e en es pa áme os. Como consecuen- cia de ello, y al se un módulo de oma de mues as manual, con el obje i o de agiliza es a a ea, se ha a ado de implemen a odo ipo de acilidades pa a la pe sona que in e ac úa con la aplicación: p ecauciones pa a que las mues as no se sob epongan, es icciones pa a que las mues as no excedan los bo des, posibilidad de ob ene mues as sob e dis in as imágenes, e c. 30 Capí ulo 4. Iden icación de análisis po ex u a u ilizando ap endizaje au omá ico 4.2.1. Componen es del módulo La elección de Py hon pa a el Clasicado iene dada po se un lenguaje que des aca po su can idad de paque es que en ocan al análisis de da os. En es e módulo se han hecho uso los siguien e paque es de Py hon: PIL: es e paque e de Py hon pe mi e abaja de o ma sencilla con imágenes PyQ : es e paque e es una implemen ación en Py hon de Q un amoso amewo k GUI. SciPy: es un ecosis ema de paque es pa a ealiza compu ación de da os cien ícos en Py hon. Figu a 4.3: Diag ama de bloques del sis ema 4.3. Módulo 2: Ap endizaje de la SVM En es e módulo, la aplicación se cen a en la clasicación de los da os ob enidos po la salida del componen e an e io , es o es, un a chi o zip con un che o pa a el en enamien o con los ec o es a ojados po el módulo 1 y un a chi o de congu ación json de ca a a pode usa el módulo 3. 4.3. Módulo 2: Ap endizaje de la SVM 31 4.3.1. Componen es del módulo Los a chi os usados pa a es e módulo son: s m- ain: Es un ejecu able cons uido sob e C, cuya unción es la de en ena el da ase que le in oducimos y gene a un a chi o model, que se á aquel que use la máquina pa a luego pode ealiza las clasi- caciones. s m-p edic : O o ejecu able que clasica el da ase de es y c ea un po cen aje de acie os en e las clases que es ima la máquina y las clases que ealmen e ep esen an los ejemplos. Además c ea un che o ou pu que gua da odas las clases que es imó la máquina du an e la clasicación. g id.py: Sc ip de py hon opcional, pe o ú il pa a ealiza K- old c oss- alida ion sob e el da ase . Pa a pode usa lo al máximo endimien o, es imp escindible ene gnuplo ins alado en el sis ema, debido a que gene a una imágen que ep esen a una g áca sob e los pa áme os C y gamma con mejo es esul ados. Pa a selecciona qué ipo de clasicación se quie e ealiza , en la in e az g áca se pueden selecciona 5 ipos: C-SVC: Habili ado po de ec o, debido a que es el más empleado en es e abajo. Equi ale al explicado en la sección SVM So Ma gin en el capí ulo 2. nu-SVC: Tiene la misma unción que C-SVC, con la di e encia de que és e emplea el pa áme o nu en luga del pa áme o C. SVM one class: Idóneo pa a pode es udia la elación que ienen las ca ac e ís icas sob e una clase en especíco. Epsilon SVR: Emplea eg esión lógica sob e el da ase empleando el pa áme o épsilon. Es e clasicado nunca se emplea, debido a que el más idóneo pa a es e abajo es SVC. nu-SVR: Igual que el an e io , solo que empleando el pa áme o nu en luga de C. Ke nels u ilizables ( ambién explicados en el capí ulo 2): lineal. 32 Capí ulo 4. Iden icación de análisis po ex u a u ilizando ap endizaje au omá ico polynomial. adial. sigmoid. Los pa áme os que se pueden emplea pa a ealiza el en enamien o de la máquina son: Deg ee: Dene el pa áme o d pa a el ke nel polinomial. Gamma: Dene el pa áme o gamma pa a el ke nel polinomial, adial y sigmoidal. Coe 0: Dene el pa áme o pa a el ke nel polinomial y sigmoidal. Cos : Dene el pa áme o C pa a C-SVC y Epsilon SVR. Nu: Dene el pa áme o nu pa a nu-SVC, SVM one class y nu-SVR. Epsilon-SVR: Dene épsilon pa a Epsilon SVR. Cache Size: Dene el amaño de la memo ia caché pa a ealiza la clasicación. Epsilon: De e mina ole ancia pa a el c i e io de e minación. Sh ink: Ac i a la opción de aco a el núme o de i e aciones que ealiza la máquina pa a ap ende du an e el en enamien o. Es ima e: Ac i a la opción de usa p obabilidades es imadas de acie - o gene adas po un k- old c oss alida ion u ilizado du an e el en- enamien o. Es ecomendable sólo usa lo una ez que se denen los pa áme os óp imos pa a un da ase . Weigh : Es un pa áme o que ac ualiza C mul iplicándose po el p opio C. 4.4. Módulo 3: Clasicación de mues as con la SVM 33 Figu a 4.4: Vis a del módulo 2 4.4. Módulo 3: Clasicación de mues as con la SVM La idea de es e módulo es ealiza un ba ido de una imagen dada con un amaño de mues a y unas ca ac e ís icas idén icas a las u ilizadas en el módulo de ap endizaje. Pa a ello se aplica án las dos pa es p eceden es del sis ema con el obje i o de ob ene el ec o de ca ac e ís icas de cada mues a del ba ido. Finalmen e se p ocede á a la clasicación de cada uno de es os ec o es. 34 Capí ulo 4. Iden icación de análisis po ex u a u ilizando ap endizaje au omá ico Figu a 4.5: Vis a del módulo 3 Pa a comple a el ba ido lo p ime o que hab á que hace se á ca ga una imagen, o un conjun o de imágenes, jun o con el aining se a ojado po la SVM, es deci , un di ec o io comp imido, con ex ensión .zip, que con end á un a chi o de ex ensión . ain con las mues as usadas pa a el en enamien o de la SVM y un json con los pa áme os de congu ación que ue on selec- cionados en el módulo an e io pa a en ena a la máquina de ec o sopo e. Una ez ob enidos los da os de en ada necesa ios pa a que es e com- ponen e uncione, se inicia un p oceso que naliza á con las imágenes de en ada ma cadas de al o ma que se di e encia án, del es o de o mas de la imagen, los obje os que que íamos adi ina po su ex u a. En el caso de la búsqueda de neumonía en adiog a ías de ayos x, las pa es de la imagen que no son neumonías queda án enma cadas den o de un ecuad o ojo y las que sí lo son apa ece án sin dibuja . 4.4. Módulo 3: Clasicación de mues as con la SVM 35 Figu a 4.6: Ejemplo de esul ado del ba ido El p oceso se inicia á ca gando la congu ación del json y el a chi o . ain pa a inmedia amen e después gene a un comando que llame al mó- dulo dos(a a és de una ube ía) y le pase an o la congu ación como las mues as del en enamien o. Es o se hace con el n de adqui i un modelo, al y como el de la sección an e io , que si a pa a clasica las mues as del ba ido. Una ez que hemos en enado a la máquina de nue o y hemos ob enido el modelo de en enamien o, p ocede emos a di idi la imagen en un g id, cuyas celdas end án el amaño de mues a que se especicó en el módulo 1, y a eco e lo de o ma descenden e, de izquie da a de echa. En es e e- co ido se clasica án las mues as según dic amine el modelo y se gene a á una ma iz de booleanos que se u iliza á, nalmen e, pa a pin a la imagen aco de al esul ado de la clasicación. Hay que acla a que, en es e módulo, pa a pode clasica hay que c ea un che o . con cada mues a y ejecu a , a pa i de llamadas al sis ema ope a i o(pa a accede a libs m), el mé odo p edic esiden e en el modelo de en enamien o ob enido: 36 Capí ulo 4. Iden icación de análisis po ex u a u ilizando ap endizaje au omá ico Figu a 4.7: Comando de acceso a libs m 4.4.1. Componen es del clasicado El módulo subp ocess: pe mi e in oca p ocesos desde Py hon y co- munica se con ellos: en ia da os a la en ada (s din) y ecibi la in o - mación de salida (s dou ). Además, espe a a que el p oceso nalice o bien e mina lo p ema u amen e, y ob ene el alo de e o no. 1 Al igual que en el módulo 1, ambién u ilizamos las lib e ías PIL, numPy y PyQ . 1 h ps:// ecu sospy hon.com/guias-y-manuales/subp ocess-c eacion-y-comunicacion- con-p ocesos/ Capí ulo 5 P uebas y e aluación Resumen: En es e capí ulo mos a emos el compo amien o del sis- ema sob e un p oblema conc e o. 5.1. In oducción Desde que comenzamos a abaja en el sis ema de iden icación de imá- genes po análisis de ex u as nos hemos es ado p egun ando cual se ía el campo de in es igación más ap opiado pa a aplica nues o desa ollo. El p ime es udio que conside amos hace ue el de aplica el análisis de ex u a al diagnós ico de en e medades odon ológicas, pe o as habla con un odon ólogo y ob ene un conjun o de da os pa a el en enamien o y la clasicación, decidimos desca a es a in es igación, ya que no encon amos la o ma de aplica nues o sis ema al da ase ecibido. T as es e p ime in en o, la os eopo osis ue el siguien e p oblema que alo amos. Con ac amos con la uni e sidad poli écnica de O leans (F ancia) pa a que nos lega an su da ase e ique ado con mues as de dicha en e me- dad, pe o las imágenes que nos die on e an álidas, en el mejo de los casos, pa a esol e un p oblema de clasicación, no pa a la iden icación de un obje o den o de la imagen, al y como p e endemos noso os. Finalmen e hemos decidido emplea nues a aplicación en la iden ica- ción de la neumonía a pa i de las adiog a ías de la caja o ácica de dis- in os pacien es. El conjun o de da os pa a es e expe imen o se ha ob e- nido de Kaggle, que a su ez lo ha ob enido del abajo " Ches X- ay8: Hospi al-scale Ches X- ay Da abase and Benchma ks on Weakly- Supe ised Classica ion and Localiza ion o Common Tho ax Di- seases ",[13] el cual ealiza un es udio muy simila al nues o, aunque u iliza 37 44 Capí ulo 6. Conclusiones y abajo u u o un e a o más dedigno de la ealidad, son muy suscep ibles de inc emen- a la e ec i idad de los esul ados pa alelamen e a la capacidad de cómpu o. El segundo de es os ac o es es la g an can idad de a ian es que hay pa a esol e un p oblema conc e o. Y no solo eso, sino que cualquie peque- ña modicación o combinación de dis in os pa adigmas puede, dependiendo del caso, a oja esul ados comple amen e dis in os e incluso cons i ui una nue a a ian e. Po ello, los es udios del a e ealizados po mul i ud de au- o es en el pasado son la base imp escindible pa a consegui éxi os en es e campo, ya que con ellos podemos ene un conocimien o gene al sob e sob e mul i ud de écnicas muy impo an es. En cuan o al desa ollo del p oyec o, hemos de deci que es amos sa is e- chos con el esul ado nal debido a que, du an e la ealización de es e, hemos adqui ido unos aliosos conocimien os y una abundan e expe iencia g acias a que pa a implemen a el sis ema hemos enido que en emezcla , de mane a comple amen e lib e y no eglada, dis in os ipos de ecnologías y lenguajes de p og amación, lo que nos a o zado, has a cie o pun o, a se c ea i os a la ho a de in en a soluciones pa a los p oblemas que han ido su giendo y a amilia iza nos con dichas he amien as. También nos gus a ía des aca que abaja en es e p oyec o nos ha he- cho conciencia nos de la u ilidad de usa sis emas de con ol de e siones, de planica co ec amen e un p oyec o desde el p incipio y de la impo ancia de ealiza una in es igación p e ia comple a. En las siguien es páginas explica emos lo que, a nues o juicio, son posi- bles ampliaciones, complemen os o a ian es ele an es pa a nues o p oyec o ac ual. 6.2. Conclusion We belie e ha o s a his sec ion o conclusions he bes we can do is o speak hones ly abou wha has mos caugh ou a en ion abou his nal p ojec . We would say ha he mos imp essi e hing o us has been he simpli- ci y o he echniques applied o sol e a p oblem as complex and necessa ily chao ic as i is o iden i y an objec h ough i s ex u e, being ha a ew elemen a y ma hema ical unc ions, a ma ix model, whose o ma ion is no complex a all, and some o he innume able au oma ic lea ning echniques o sol e eg ession p oblems a e sucien equi emen s o iden i y a la ge 6.2. Conclusion 45 pa o he ex u es, bo h na u al and a icial. Bu i he echniques a e so simple, why when we in es iga e he s a e o he a we see ha o mo e han 50 yea s he e ha e been p og esses and changes in he ma e ? We belie e ha his is undamen ally due o wo ac o s. The  s o hese is, ob iously, he inc ease in he capaci y and speed o ha dwa e p ocessing, gi en ha p oblems o his ype, which equi e hand- ling a huge amoun o in o ma ion in o de o make a mo e eliable po ai o eali y, hey a e e y suscep ible o inc ease he eec i eness o he esul s pa allel o he compu ing capaci y. The second o hese ac o s is he la ge numbe o a ian s ha exis o sol e a specic p oblem. And no only ha , bu any small modica ion o combina ion o die en pa adigms can, depending on he case, yield com- ple ely die en esul s and e en cons i u e a new a ian . Fo his eason, he s udies o a made by many au ho s in he pas a e he essen ial basis o achie e success in his eld, since wi h hem we can ha e a gene al know- ledge abou a mul i ude o e y impo an echniques. Rega ding he de elopmen o he p ojec , we ha e o say ha we a e sa ised wi h he nal esul . because du ing he ealiza ion o his, we ha e acqui ed aluable knowledge and an abundan expe ience hanks o he ac ha o implemen he sys em we ha e had o in e mingle, comple ely ee and no egula ed, die en ypes o echnologies and p og amming langua- ges, which We ha e been o ced, o some ex en , o be c ea i e when i comes o in en ing solu ions o he p oblems ha ha e a isen and o become a- milia wi h hese ools. We would also like o highligh ha wo king on his p ojec has made us awa e o he u ili y o using e sion con ol sys ems, o co ec ly planning a p ojec om he beginning and o he impo ance o ca ying ou a comple e p io in es iga ion. In he ollowing pages we will explain wha , in ou opinion, possible ex- ensions, complemen s o a ian s ele an o ou cu en p ojec . 46 Capí ulo 6. Conclusiones y abajo u u o 6.3. T abajo u u o 6.3.1. U iliza o os mé odos de análisis En capí ulos p e ios hemos is o que los mé odos de análisis de ex u as pueden se clasicados de muchas o mas, aunque gene almen e se suelen di idi en: es adís icos, basados en la dis ibución espacial de los ni eles de g ises; es uc u ales, los cuales suponen que la ex u a es á o mada po una es uc u a que se epi e, denominada p imi i a; y espec ales. Una de las ías que nos gus a ía aplica en el u u o se ía combina el ac ual mé odo es adís ico de la co-ocu encia con mé odos es uc u ales, conc e amen e u iliza la geome ía ac al pa a encon a pa ones en la ex- u a, en la línea del abajo " Análisis de la ex u a a pa i de la geome ía ac al "(Peleg, e al., 1984) Figu a 6.1: Ejemplo de geome ía ac al en la na u aleza. La azón de es a idea su ge de lo in ui i o que esul a aplica el ac al pa a desc ibi la disposición de las pa ículas de una ex u a. Mien as que la geome ía euclídea clásica a menudo esul a insucien e pa a desc ibi las o mas en e esadas y caó icas que comúnmen e ap eciamos en los elemen os más mic oscópicos, la geome ía ac al como con aposición a es a esul a algo mucho más pe inen e de aplica en el mundo de las impe ec as ex u- as. 1 1 La ma emá ica siemp e ha se ido de lenguaje de las ciencias, sob e odo de las lla- madas po algunos ác icas. A pa i de ellas se han cons uido modelos que simulan la ealidad con mayo o meno éxi o y que ecuen emen e es os modelos sus i uyen a la mis- 6.3. T abajo u u o 47 Además, u iliza ac ales es una opción in e esan e pues o que son una de las o mas más comunes de la na u aleza, p esen es en la ma e ia biológi- ca, jun o con las sime ías (las o mas básicas que solo necesi an la mi ad de in o mación gené ica) y las espi ales (las o mas de c ecimien o y desa ollo de la o ma básica hacia la ocupación de un mayo espacio) . 2 6.3.2. Velocidad de ejecución Una de las ace as que con end ía mejo a de ca a al u u o se ía la e- locidad con la que se ejecu a la aplicación. Pese a que ya hemos aplicado algunas écnicas pa a es e p opósi o(mul i h eading), el ma gen de mejo a sigue siendo bas an e amplio. Una écnica que cob a cada ez más impo ancia en las aplicaciones cien- ícas y de cálculo in ensi o es el uso de a je as acele ado as de ídeo. Al n y al cabo, es e ipo de p ocesado es ue on diseñados pa a es e ipo de abajos y po an o es una idea muy sensa a u iliza las en nues o sis ema. O a mane a de mejo a la elocidad de ejecución se ía plan ea una op imización del código. Figu a 6.2: Compa a i a de endimien o en la decon olución de una imagen, implemen ada sob e una CPU, mul ip og amada sob e ocho núcleos y en una GPU median e CUDA. [8] ma ealidad. En el caso de los p ocesos ugosos, oughness en el lenguaje de Mandelb o , ales como pliegues, o bien enómenos que se au o eplican como los p oceso de ep oduc- ción de células, las ma emá icas sal o modelos es adís icos y algunos analí icos han enido un éxi o escaso [1] 2 h ps://es.wikipedia.o g/wiki/F ac alCa ac e ís icas_de_un_ ac al 48 Capí ulo 6. Conclusiones y abajo u u o 6.3.3. O os abajos u u os Expe imen a con dis in os ipos de ha dwa e pa a la oma de mues- as; cáma as é micas, po ejemplo. Combina el iden icado de obje os con un clasicado . Po ejemplo, una ez au oma izado el p oceso de iden icación de la neumonía, po- demos complemen a el diagnós ico implemen ando un clasicado que dis inga en e neumonía í ica o bac e iana. U iliza o o ipo de écnicas de ap endizaje au omá ico dis in as al SVM. Capí ulo 7 Con ibuciones indi iduales 7.1. Nicolás Alcaine Camilli Al comienzo del abajo, se ealizó una sepa ación de módulos pa a que cada uno de noso os pudiese enca ga se p ác icamen e con alguno de ellos y especializa se, pudiendo ealiza una in es igación sob e él y pos e io men e documen a lo en la memo ia jun o con la implemen ación del código nece- sa io pa a lle a lo a la pa e p ác ica. De aquí en la p ime a eunión se eligió a Alejand o como enca gado de odo el p ime módulo, es deci , oda la pa e de análisis de ex u as en imágenes y su implemen ación. A mí se me asignó el segundo módulo, que se enca ga de analiza odas las ca ac e ís icas es udiadas en el an e io módulo y pode ealiza clasicaciones de obje os p esen es en las imágenes usando ap endizaje au omá ico, en conc e o empleando SVM, debido a su g an ca- pacidad de clasicación median e sus ke nels. Al comienzo de la ealización de mi módulo, u e la idea de ealiza lo bajo Py hon, debido a que en e noso os habíamos is o que Py hon es un lenguaje que poco a poco se ue especializando en las ma emá icas y en pa icula , sob e da a science (den o de és e ambién en ap endizaje au o- má ico). También mi idea ue esa po que enía pensado unica ese módulo jun o con los demás y ellos ya los habían empezado a implemen a bajo ese lenguaje. Más a de p ocedí a i implemen ando el ke nel gaussiano bajo la clasi- cación usando el pa áme o C, pe o no con inué po una pos e io eunión con el u o , donde habíamos decidido en e noso os 2 que el módulo iba a es a comple amen e sepa ado del es o de módulos y que se pod ía usa di ec amen e una lib e ía capaz de ealiza odas las ope aciones bajo SVM. 49 50 Capí ulo 7. Con ibuciones indi iduales Al nal op é po usa Ja aFX como lenguaje de mi módulo, debido a su acilidad y moldeabilidad a la ho a de c ea in e aces de usua io. An e io - men e sólo había abajado con el lenguaje Ja a, pe o se me hizo bas an e ácil su ap endizaje ya que ambién ealizé abajos de páginas web con CSS3 en el pasado, y oda la pa e g áca de sus elemen os se denen bajo p o- piedades CSS. También op é po ealiza llamadas ex e nas al p og ama pa a pode ea- liza los en enamien os y las clasicaciones, usando ejecu ables compilados en C de la lib e ía libSVM. Es a lib e ía la escogí debido a su g an popula idad en el mundo del ma- chine lea ning, y es de código abie o, po lo cual no hay incon enien es pa a usa su código bajo nues o p oyec o. La licencia de és e es BSD, po lo que enemos libe ad de usa és e an o en código ce ado como abie o. Mien as ui implemen ando el código pa a el módulo, pudimos e en e los dos miemb os que hay di e en es conexiones en e cada módulo, po lo que he es ado colabo ando con mis compañe os en el es o de módulos en lo que espec a al uso de che os de en enamien o y en el en enamien o y es eo en el módulo 3. En e odos ambién uimos haciendo p uebas usando odos los módulos, an o con imágenes de la cáma a é mica de nues o u o , como con imáge- nes que pidió Alejand o pa a el es udio e iden icación de la neumonía sob e pacien es. En e odos pudimos uni ambos conocimien os pa a consegui clasicaciones óp imas. Po o a pa e, ambién he ido documen ando en la memo ia odas mis in es igaciones en el capí ulo 2 y su uncionamien o en el módulo 2 sob e el capí ulo 4 y sob e el apéndice B. El apéndice A ambién ha sido esc i o po mí. 7.2. Alejand o Rod íguez Chacón En el inicio del p oyec o, en la ase de in es igación, me enca gué de ami- lia iza me con el es ado del a e y las écnicas de p ocesamien o de imágenes, es deci , de la ma iz de co-ocu encia y de las ó mulas ma emá icas que u ilizamos pa a ob ene las componen es del ec o de ca ac e ís icas. Es e es udio consis ió en la lec u a de la bibliog a ía apo ada po el u o (en e la que se encuen an [12] y [9]) y de documen os ob enidos de o as uen es, como "Tex u al ea u es o image classica ion"de Robe Ha alick. 7.2. Alejand o Rod íguez Chacón 51 Po an o, cuando comenzamos a desa olla el sis ema, mi come ido ue p og ama en Py hon aquellas pa es que enían que e con es a in es i- gación y pos e io men e las conec é con la GUI. En deni i a, elabo é el módulo 1. Pa a pode comenza a desa olla u e an es que in es iga el uncionamien o de Py hon en algunos aspec os, ya que no enía una g an expe iencia p e ia con es e lenguaje. En es e pun o, aunque no de ca a a la implemen ación del sis ema, am- bién comencé a es udia o os aspec os impo an es de la eo ía como: SVM, los dis in os modelos exis en es pa a el p ocesamien o de imágenes digi a- les(es adís icos, es uc u ales, e c) y es udios de o os au o es sob e la ex- u a. Du an e es e iempo, ambién ayudé a esol e algunos p oblemas del módulo 3, sob e odo aquellos que enían que e con man ene la cohe en- cia con el módulo 1. Al ob ene una p ime a e sión de la aplicación, as e isa lo hecho po odo el equipo, comp obé el compo amien o de los módulos y pude encon- a dis in os e o es como que el módulo de oma de mues as cogía el colo de la ma ca( e de o ojo) como mues a o que las mues as se solapaban. Una ez e minada la pa e écnica del p oyec o, ambién me he espon- sabilizado de hace la mayo pa e de p uebas iniciales pa a comp oba la e ec i idad de la máquina con p oblemas eales. Es as p uebas conlle a on, con el n de cub i la mayo pa e del abanico de posibles congu aciones, una planicación de las dis in as combinaciones de pa áme os que e an in e esan es pa a p oba en el sis ema. Cuando na- lizamos es os es , a a és del análisis de los che os de salida del módulo 2, conseguimos deni que pa áme os e an los más adecuados pa a p oblema p opues o. En cuan o a la a ea de ob ención de da ase s pa a la in es igación, mi con ibución ha sido apo a el conjun o de da os de la neumonía y con ac- a , de mane a in uc uosa, con la uni e sidad de uni e sidad poli écnica de O leans (F ancia) con el p opósi o de ob ene un da ase de os eopo osis. Sin emba go, di ía que la mayo pa e de mi abajo ha es ado des inado, en p ime a ins ancia, a la in es igación de las ecnologías u ilizadas y de las posibles aplicaciones del p oyec o y, en úl imo é mino, a la elabo ación de la mayo pa e de es a memo ia, pa a lo cual ha sido necesa io ap ende LaTex desde ce o pues ningún miemb o del equipo enía expe iencia p e ia con es e 52 Capí ulo 7. Con ibuciones indi iduales sis ema de composición de ex os. Capí ulo 8 Apéndice A: Ejemplo de ejecución Como ejemplo de ejecución oma emos una imagen de neumonía bac e- iana: Figu a 8.1 Usa emos la aplicación del módulo 1 pa a i dibujando algunas mues as de neumonía y del es o del cue po. En o al se oman 260 mues as: 130 posi i as y 130 nega i as: 53 60 Capí ulo 8. Apéndice A: Ejemplo de ejecución Figu a 8.12 Es o nos ab i á o a en ana pa a escoge nues o zip. Es a en ana so- lamen e admi i á o ma o zip: Figu a 8.13 61 Aho a solo nos queda ap e a en "S a "pa a empeza con el ba ido de imagen y gene a odos los casos de neumonía que encuen e el SVM. Figu a 8.14 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 el p i- me o y el e ce o eque imos Py hon 3.7 y cie os módulos ins alados, po el o o lado el módulo 2 eque i á OpenJDK 12 y ya pues al es a mon ado con ma en el mismo ca ga á odas sus dependencias. Pa a ins ala las dependencias de Py hon una o ma ecomendada es ha- ce uso de anaconda pues se adap a a los di e en es en o nos. Una ez ins alado desde la consola de anaconda (conda p omp ) bas a ejecu a los comandos conda ins all: conda ins all -c anaconda numpy conda ins all -c anaconda pil conda ins all -c anaconda scipy conda ins all -c dsdale24 pyq 5 El es o a excepción de Tools debe ía eni ins alado po de ec o, con la ins alación de Py hon 3.7 de anaconda Aquí esumi é las ecnologías y he amien as necesa ias pa a la ejecución comple a de nues a he amien a. Requisi os: Clasicado (Módulo 1) SVM (Módulo 2) Analizado (Módulo 3) Py hon 3.7 Numpy 63 64 Capí ulo 9. Apéndice B: Manual de usua io Pillow Scipy PyQ Tools (Py hon lib) ZipFile (Py hon lib) Ma h(Py hon lib) IO (Py hon lib) OpenJDK 12 Bibliog a ía [1] V. A guedas. La geome ía de la na u aleza: Benoi Mandelb o . Escula ma emá ica, Uni e sidad de Cos a Rica, Feb e o, 2012. [2] A.Rosen eld and E.T oy. Visual ex u e analysis . 1970. [3] V. Bush. As we may hink . The A lan ic Mon ly, Julio, 1945. [4] M. M. Galloway. Tex u e analysis using g ay le el un-leng hs . Compu- e G aphics and Image P ocessing, 1975. [5] S. K. D. Ha alick, R.M. Tex u al ea u es o image classica ion, 1973. [6] H.Kaize . A quan ica ion o ex u es on ae ial pho og aphs . Bos on Uni ., 1955. [7] A. Kowalczyk. Suppo Vec o Machines Succinc ly . Sync usion, 2501 Ae ial Cen e Pa kway Sui e 200 Mo is ille, NC 27560 USA, 2017. [8] 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. [9] M. P esu i. la ma iz de co-ocu encia en la clasicación mul iespec- al: u o ial pa a la enseñanza de medidas ex u ales en cu sos de g ado uni e si a io. Uni e sidad Nacional de La Pla a, Agos o, 2004. [10] V. J. R.Bixby, G. Ele ding and R.Loewe. Na u al image compu e . 1967. [11] 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. [12] J. L. G. Rod íguez. Es ado Ac ual de la Rep esen ación y Análisis de Tex u a en Imágenes. Julio, 2008. [13] X. Wang e al. Ches X- ay8: Hospi al-scale Ches X- ay Da abase and Benchma ks on Weakly-Supe ised Classica ion and Localiza ion o Common Tho ax Diseases . Na ional Ins i u es o Heal h, Be hesda, MD 20892, Na ional Cen e o Bio echnology In o ma ion, Na ional Lib a y o Medicine, Depa men o Radiology and Imaging Sciences, Clinical Cen e . 65