Herramienta TIC basada en aprendizaje de máquina y procesamiento digital de imágenes para el análisis de nanopartículas
Barra lateral del artículo
Contenido principal del artículo
Resumen
El análisis de imágenes microscópicas constituye una actividad esencial en diversas líneas de investigación científica; sin embargo, la identificación, conteo y caracterización de nanopartículas continúan requiriendo procesos manuales que demandan tiempo, personal especializado y acceso a herramientas de análisis específicas. Con el propósito de apoyar estas actividades, se desarrolló una herramienta TIC basada en aprendizaje de máquina y procesamiento digital de imágenes para asistir a personas investigadoras en el análisis de muestras microscópicas digitalizadas. El trabajo se realizó en el marco de los proyectos SIP 20242607 y SIP 20250669 del Instituto Politécnico Nacional. Inicialmente, se investigaron y evaluaron distintas tecnologías orientadas al reconocimiento automático de microorganismos mediante imágenes microscópicas. Posteriormente, la solución evolucionó hacia el reconocimiento, conteo y caracterización de nanopartículas observadas mediante microscopía electrónica, atendiendo necesidades identificadas por personas investigadoras del área de nanotecnología.
Para el desarrollo de la herramienta, se analizaron e integraron tecnologías de visión por computadora, procesamiento digital de imágenes e inteligencia artificial, incluyendo algoritmos de segmentación, detección de objetos y redes neuronales convolucionales. Como resultado, se implementó una solución capaz de realizar reconocimiento automático de referencias de escala, identificación preliminar de nanopartículas y obtención de características morfológicas de apoyo para actividades de investigación.
Los resultados demostraron que la herramienta TIC permite automatizar parcialmente tareas tradicionalmente ejecutadas de forma manual y facilita la generación de información cuantitativa para el análisis de muestras microscópicas. Asimismo, la experiencia obtenida evidenció que la colaboración entre inteligencia artificial y especialistas contribuye significativamente a la confiabilidad de los resultados cuando se trabaja con conjuntos de datos reducidos o altamente especializados. En consecuencia, la solución desarrollada constituye una alternativa tecnológica para fortalecer actividades de investigación apoyadas en el uso de TIC e inteligencia artificial.
Descargas
Detalles del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Este trabajo tiene la licencia CC BY-NC-ND 4.0
Citas
Divya, Z. G., y Tripathy, B. K. (2024, 28-29 de noviembre). Transfer learning based framework of VGG16 to detect breast cancer using histopathological images [ponencia]. 2024 Sixth Doctoral Symposium on Intelligence Enabled Research (DoSIER 2024), Jalpaiguri, India.
Gonzalez, R. C., y Woods, R. E. (2018). Digital image processing (4a ed.). Pearson.
Greenwald, N. F., Miller, G., Moen, E., Kong, A., Kagel, A., Dougherty, T., Camacho Fullaway, C., McIntosh, B. J., Leow, K. X., Schwartz, M. S., Pavelchek, C., Cui, S., Camplisson, I., Bar-Tal, O., Singh, J., Fong, M., Chaudhry, G., Abraham, Z., Moseley, J., ... Van Valen, D. (2022). Whole-cell segmentation of tissue images with human-level performance using large-scale data annotation and deep learning. Nat Biotechnology, 40(4), 555-565. https://doi.org/10.1038/s41587-021-01094-0 DOI: https://doi.org/10.1038/s41587-021-01094-0
He, K., Zhang, X., Ren, S., y Sun, J. (2016, 27-30 de junio). Deep Residual Learning for Image Recognition [ponencia]. 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, EUA. https://doi.org/10.1109/CVPR.2016.90 DOI: https://doi.org/10.1109/CVPR.2016.90
Jin, K., Shen, J., Wang, Y., Yang, Y., y Cao, S. (2024). Enhanced nanoparticle recognition via deep learning-accelerated plasmonic sensing. Biosensors, 14(8), 363. https://doi.org/10.3390/bios14080363 DOI: https://doi.org/10.3390/bios14080363
Kumar, G., Kumar, S., Sharma, A., Raturi, A., Shrivastava, A., Rao, A. L. N., y Khan, A. K. (2024). Novel framework for enhanced nanoparticle detection in scanning electron microscopy using synthetic data. Journal of Nano- and Electronic Physics, 16(6), 06008. https://doi.org/10.21272/jnep.16(6).06008 DOI: https://doi.org/10.21272/jnep.16(6).06008
LeCun, Y., Bengio, Y., y Hinton, G. (2015). Deep learning. Nature, 521(7553), 436-444. https://doi.org/10.1038/nature14539 DOI: https://doi.org/10.1038/nature14539
Lu, E., Xie, W., y Zisserman, A. (2018). Class-agnostic counting. Asian Conference on Computer Vision (ACCV), 669-684. https://doi.org/10.48550/arXiv.1811.00472 DOI: https://doi.org/10.1007/978-3-030-20893-6_42
Meijering, E. (2012). Cell segmentation: 50 years of development. IEEE Signal Processing Magazine, 29(5), 140-145. https://doi.org/10.1109/MSP.2012.2204190 DOI: https://doi.org/10.1109/MSP.2012.2204190
Meyer, F. (1994). Topographic distance and watershed lines. Signal Processing, 38(1), 113-125. https://doi.org/10.1016/0165-1684(94)90060-4 DOI: https://doi.org/10.1016/0165-1684(94)90060-4
Moen, E., Bannon, D., Kudo, T., Graf, W., Covert, M., y Van Valen, D. (2019). Deep learning for cellular image analysis. Nature Methods, 16(12), 1233-1246. https://doi.org/10.1038/s41592-019-0403-1 DOI: https://doi.org/10.1038/s41592-019-0403-1
Monteiro, G. A. A., Monteiro, B. A. A., Santos, J. A. D., y Wittemann, A. (2025). Pre-trained artificial intelligence-aided analysis of nanoparticles using the segment anything model. Scientific Reports, 15(1), 2341. https://doi.org/10.1038/s41598-025-86327-x DOI: https://doi.org/10.1038/s41598-025-86327-x
Omoniyi, T. M., Abel, B., Omoebamije, O., Onimisi, Z. M., Matos, J. C., Tinoco, J., y Minh, T. Q. (2025). The effect of data augmentation on performance of custom and pre-trained CNN models for crack detection. Applied Sciences, 15(22), 12321. https://doi.org/10.3390/app152212321 DOI: https://doi.org/10.3390/app152212321
Otsu, N. (1979). A threshold selection method from gray-level histograms. IEEE Transactions on Systems, Man and Cybernetics, 9(1), 62-66. https://doi.org/10.1109/TSMC.1979.4310076 DOI: https://doi.org/10.1109/TSMC.1979.4310076
Redmon, J., Divvala, S., Girshick, R., y Farhadi, A. (2016). You only look once: Unified, real-time object detection. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 779-788. https://doi.org/10.1109/CVPR.2016.91 DOI: https://doi.org/10.1109/CVPR.2016.91
Ronneberger, O., Fischer, P., y Brox, T. (2015). U-Net: Convolutional networks for biomedical image segmentation. Medical Image Computing and Computer-Assisted Intervention (MICCAI 2015), 234-241. https://doi.org/10.1007/978-3-319-24574-4_28 DOI: https://doi.org/10.1007/978-3-319-24574-4_28
Smith, A. G., Han, E., Petersen, J., Olsen Faircloth, N. A., Giese, C., Athmann, M., Dresbøll, D. B., y Thorup-Kristensen, K. (2022). RootPainter: Deep learning segmentation of biological images with corrective annotation. New Phytologist, 236(2), 774-791. https://doi.org/10.1111/nph.18387 DOI: https://doi.org/10.1111/nph.18387
Thuan, N. D., Cuong, H. M., Nam, N. H., Huong, N. T. L., y Hong, H. S. (2024). Morphological analysis of Pd/C nanoparticles using SEM imaging and advanced deep learning. RSC Advances, 14(47), 35172-35183. https://doi.org/10.1039/D4RA06113F DOI: https://doi.org/10.1039/D4RA06113F