Análisis de imágenes automatizado para la detección de coccidios en aves de corral
Autores: Kellogg, Isaac; Roberts, David L.; Crespo, Rocio
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Análisis de imágenes automatizado para la detección de coccidios en aves de corral
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Zootecnia
Palabras clave
Coccidiosis
Industria avícola
Protozoos
Ooquistes
Inteligencia artificial
Visión por computadora
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 10
Citaciones: Sin citaciones
La coccidiosis, causada por el protozoo sp., es una de las enfermedades más comunes y costosas que afectan a la industria avícola. Para establecer medidas de control efectivas, es esencial identificar estos protozoos. Los métodos típicos para identificar y determinar la gravedad de la infección protozoaria incluyen la puntuación de lesiones intestinales o la enumeración de los ooquistes protozoarios en muestras fecales. Los métodos de análisis estándar requieren técnicos o veterinarios altamente capacitados para identificar y enumerar manualmente estos parásitos protozoarios. Este proceso es laborioso, consume mucho tiempo y es susceptible a errores humanos. Ninguno de los métodos actuales disponibles, incluida la citometría de flujo molecular o incluso el análisis de imágenes digitales, puede determinar si un ooquiste está esporulado o no. Los ooquistes no son infecciosos hasta que esporulan. El objetivo de este estudio fue diseñar un modelo automatizado utilizando Inteligencia Artificial (IA) para acelerar el proceso de enumeración, mejorar la eficiencia y precisión de la identificación de especies, y determinar la capacidad de los ooquistes para infectar. Con este fin, entrenamos y evaluamos modelos de visión por computadora basados en la arquitectura de red neuronal Mask RCNN. Se entrenó un modelo para detectar y diferenciar tres especies y determinar la esporulación de cada una (totalizando seis grupos de detección). Este modelo logró una diferencia porcentual relativa media (DPR) del 5.64%, lo que representa un ligero sobreconteo en comparación con los conteos manuales, promediando entre todos los grupos. La DPR media para cada grupo individualmente se situó en un rango de -33.37% a 52.72%. Estos resultados demuestran que estos modelos fueron rápidos y tuvieron un alto acuerdo con los conteos manuales, con un procesamiento mínimo de muestras de calidad de campo. Estos modelos también pudieron diferenciar el estado de esporulación de los ooquistes, proporcionando información diagnóstica crítica para posibles aplicaciones en el campo.
Descripción
La coccidiosis, causada por el protozoo sp., es una de las enfermedades más comunes y costosas que afectan a la industria avícola. Para establecer medidas de control efectivas, es esencial identificar estos protozoos. Los métodos típicos para identificar y determinar la gravedad de la infección protozoaria incluyen la puntuación de lesiones intestinales o la enumeración de los ooquistes protozoarios en muestras fecales. Los métodos de análisis estándar requieren técnicos o veterinarios altamente capacitados para identificar y enumerar manualmente estos parásitos protozoarios. Este proceso es laborioso, consume mucho tiempo y es susceptible a errores humanos. Ninguno de los métodos actuales disponibles, incluida la citometría de flujo molecular o incluso el análisis de imágenes digitales, puede determinar si un ooquiste está esporulado o no. Los ooquistes no son infecciosos hasta que esporulan. El objetivo de este estudio fue diseñar un modelo automatizado utilizando Inteligencia Artificial (IA) para acelerar el proceso de enumeración, mejorar la eficiencia y precisión de la identificación de especies, y determinar la capacidad de los ooquistes para infectar. Con este fin, entrenamos y evaluamos modelos de visión por computadora basados en la arquitectura de red neuronal Mask RCNN. Se entrenó un modelo para detectar y diferenciar tres especies y determinar la esporulación de cada una (totalizando seis grupos de detección). Este modelo logró una diferencia porcentual relativa media (DPR) del 5.64%, lo que representa un ligero sobreconteo en comparación con los conteos manuales, promediando entre todos los grupos. La DPR media para cada grupo individualmente se situó en un rango de -33.37% a 52.72%. Estos resultados demuestran que estos modelos fueron rápidos y tuvieron un alto acuerdo con los conteos manuales, con un procesamiento mínimo de muestras de calidad de campo. Estos modelos también pudieron diferenciar el estado de esporulación de los ooquistes, proporcionando información diagnóstica crítica para posibles aplicaciones en el campo.