Um Estudo de Caso para Detecção de Ovócitos de Peixe Utilizando Redes Neurais Convolucionais
Resumo
Ovócitos são células germinativas complexas que apresentam mudanças estruturais e funcionais ao longo do desenvolvimento maturacional em peixes. Distinguir ovócitos em imagens histológicas é um procedimento demorado, tedioso e suscetível a erros, pois geralmente, ocorre uma interpretação visual e subjetiva pelo especialista. Esta pesquisa propõe um estudo de caso que demonstra uma abordagem capaz de detectar ovócitos de forma automática. Para isso, uma base de imagens foi utilizada, sendo esta divida em treino, teste e validação. Técnicas para o aumento de dados foram empregadas a fim de tornar o modelo mais robusto. Para a detecção dos ovócitos a arquitetura YOLOv5x foi aplicada na base de imagens. Os resultados obtidos foram promissores, alcaçando uma taxa de precisão de 83,0% para a classe VI - vitelogênese inicial, e 97,7%, 95,3% e 66,8%, repectivamente de revocação, mAP@0.5 e mAP@0.95, para a classe VF - vitelogênese final.
Referências
Abas, S. M., Abdulazeez, A. M., and Zeebaree, D. Q. (2022). A yolo and convolutional neural network for the detection and classification of leukocytes in leukemia. Indonesian Journal of Electrical Engineering and Computer Science, 25(1):200-213.
Anta, P., Carrión, P., Formella, A., Cernadas, E., Domínguez, R., and Saborido-Rey, F. (2007). Combining region and edge information to extract fish oocytes in histological images. In 7th IASTED International Conference on Visualization, Imaging and Image Processing, pages 82-87.
Basílio, A., da Silva, P., Machado, V., and Aldemann, N. (2020). Estudo e implementação de algoritmos de agrupamento e de rotulação aplicados no diagnóstico por imagens de patologias renais. In Anais da VIII Escola Regional de Computação do Ceará, Maranhão e Piauí, pages 189-196. SBC.
Cernadas, E., Carrión, P., Formella, A., Domínguez, R., and Saborido-Rey, F. (2008). Recognize and classify fish oocytes in histological images. In 8th IASTED International Conference on Visualization, Imaging and Image Processing, pages 180-186.
Claro, M., Vogado, L., Santos, J., and Veras, R. (2020). Utilização de técnicas de data augmentation em imagens: Teoria e prática. Sociedade Brasileira da Computação-SBC. Disponível em: [link].
de Aragão, M. V. S. P. (2021). Seleção de retângulos envolventes em arquiteturas para detecção de objetos. PhD thesis, PUC-Rio.
de Sousa Pereira, M. E. G., Cañete, V. R., da Silva Palheta, M. K., da Silva Santos, F. J., da Silva, B. B., Barboza, R. S. L., and Evangelista-Gomes, G. (2020). Contribuição dos atores da pesca para a bioecologia do camurim centropomus undecimalis (centropomidae-perciformes) capturado no litoral amazônico brasileiro. Research, Society and Development, 9(10):e4119108691-e4119108691.
Everingham, M., Van Gool, L., Williams, C. K., Winn, J., and Zisserman, A. (2010). The pascal visual object classes (voc) challenge. International journal of computer vision, 88(2):303-338.
Lin, T.-Y., Patterson, G., Ronchi, M. R., Cui, Y., Maire, M., Belongie, S., Bourdev, L., Girshick, R., Hays, J., Perona, P., Ramanan, D., Zitnick, L., and Dollár, P. (2021). Common objects in context coco). https://cocodataset.org/. Access on 29 de Fevereiro de 2021.
Luo, H.-W., Zhang, C.-S., Pan, F.-C., and Ju, X.-M. (2019). Contextual-yolov3: Implement better small object detection based deep learning. In 2019 International Conference on Machine Learning, Big Data and Business Intelligence (MLBDBI), pages 134-141. IEEE.
Marques, B. H. P. (2019). Avaliação de algoritmos baseados em deep learning para localizar placas veiculares brasileiras em ambientes complexos. B.S. thesis, Brasil.
Mendonça, M. C. F. B. d. et al. (2004). Autoecologia do camorim, centropomus undecimalis (bloch, 1792),(perciformes: Centropomidae) em ambiente hipersalino em galinhos, rn, brasil.
Nelson, J. (2022). Roboflow. https://roboflow.com. Access on 26 de Janeiro de 2022.
Pérez-Ortiz, M., Fernández-Delgado, M., Cernadas, E., Domínguez-Petit, R., Gutiérrez, P. A., and Hervás-Martínez, C. (2015). On the use of nominal and ordinal classifiers for the discrimination of states of development in fish oocytes. Neural Processing Letters, 44(2):555-570.
Pintor, J., Carrión, P., Cernadas, E., González-Rufino, E., Formella, A., Fernández-Delgado, M., Domínguez-Petit, R., and Rábade-Uberos, S. (2016). Govocitos: A software tool for estimating fish fecundity based on digital analysis of histological images. Computers and Electronics in Agriculture, 125:89-98.
Redmon, J., Divvala, S., Girshick, R., and Farhadi, A. (2016). You only look once: Unified, real-time object detection. In Proceedings of the IEEE conference on computer vision and pattern recognition, pages 779-788.
Rosa, R. S. and Lima, F. C. (2008). Os peixes brasileiros ameaçados de extinção. Livro vermelho da fauna brasileira ameaçada de extinção, 2:9-275.
Santos, L. E. (2012). Uma tecnica e ferramenta orientadas por objetivos para a construcao de ontologias de aplicação. Master's thesis, Dissertação de Mestrado em Engenharia de Eletricidade Universidade Federal do Maranhão.
Silva, J. G. J., Narciso, M. G., and Gonçalves, C. (2019). Computer vision and image processing for detecting and quantifying whiteflies: a systematic review. In Embrapa Arroz e Feijão-Artigo em anais de congresso (ALICE), pages 382-391. Congresso Brasileiro de Agroinforática.
Silva, J. G. J. d. et al. (2021). Redes neurais profundas para detecção e contagem automática de moscas brancas no contexto agrícola.
Sivakumaran, K. P., Brown, P., Stoessel, D., and Giles, A. (2003). Maturation and reproductive biology of female wild carp, cyprinus carpio, in victoria, australia. Environmental Biology of Fishes, 68(3):321-332.
Thuan, D. (2021). Evolution of yolo algorithm and yolov5: the state-of-the-art object detection algorithm. Bachelor's thesis, Oulu University of Applied Sciences.
Ultralytics (2022). Tips for best training results. [link]. Access on 26 de Janeiro de 2022.
Wang, C.-Y., Liao, H.-Y. M., Wu, Y.-H., Chen, P.-Y., Hsieh, J.-W., and Yeh, I.-H. (2020). Cspnet: A new backbone that can enhance learning capability of cnn. In Proceedings of the IEEE/CVF conference on computer vision and pattern recognition workshops, pages 390-391.
Xu, R., Lin, H., Lu, K., Cao, L., and Liu, Y. (2021). A forest fire detection system based on ensemble learning. Forests, 12(2):217.
Yang, G., Feng, W., Jin, J., Lei, Q., Li, X., Gui, G., and Wang, W. (2020). Face mask recognition system with yolov5 based on image recognition. In 2020 IEEE 6th International Conference on Computer and Communications (ICCC), pages 1398-1404. IEEE.
Yap, M. H., Hachiuma, R., Alavi, A., Brüngel, R., Cassidy, B., Goyal, M., Zhu, H., Rückert, J., Olshansky, M., Huang, X., et al. (2021). Deep learning in diabetic foot ulcers detection: a comprehensive evaluation. Computers in Biology and Medicine, 135:104596.
Zou, Z., Shi, Z., Guo, Y., and Ye, J. (2019). Object detection in 20 years: A survey. ArXiv, abs/1905.05055.
Anta, P., Carrión, P., Formella, A., Cernadas, E., Domínguez, R., and Saborido-Rey, F. (2007). Combining region and edge information to extract fish oocytes in histological images. In 7th IASTED International Conference on Visualization, Imaging and Image Processing, pages 82-87.
Basílio, A., da Silva, P., Machado, V., and Aldemann, N. (2020). Estudo e implementação de algoritmos de agrupamento e de rotulação aplicados no diagnóstico por imagens de patologias renais. In Anais da VIII Escola Regional de Computação do Ceará, Maranhão e Piauí, pages 189-196. SBC.
Cernadas, E., Carrión, P., Formella, A., Domínguez, R., and Saborido-Rey, F. (2008). Recognize and classify fish oocytes in histological images. In 8th IASTED International Conference on Visualization, Imaging and Image Processing, pages 180-186.
Claro, M., Vogado, L., Santos, J., and Veras, R. (2020). Utilização de técnicas de data augmentation em imagens: Teoria e prática. Sociedade Brasileira da Computação-SBC. Disponível em: [link].
de Aragão, M. V. S. P. (2021). Seleção de retângulos envolventes em arquiteturas para detecção de objetos. PhD thesis, PUC-Rio.
de Sousa Pereira, M. E. G., Cañete, V. R., da Silva Palheta, M. K., da Silva Santos, F. J., da Silva, B. B., Barboza, R. S. L., and Evangelista-Gomes, G. (2020). Contribuição dos atores da pesca para a bioecologia do camurim centropomus undecimalis (centropomidae-perciformes) capturado no litoral amazônico brasileiro. Research, Society and Development, 9(10):e4119108691-e4119108691.
Everingham, M., Van Gool, L., Williams, C. K., Winn, J., and Zisserman, A. (2010). The pascal visual object classes (voc) challenge. International journal of computer vision, 88(2):303-338.
Lin, T.-Y., Patterson, G., Ronchi, M. R., Cui, Y., Maire, M., Belongie, S., Bourdev, L., Girshick, R., Hays, J., Perona, P., Ramanan, D., Zitnick, L., and Dollár, P. (2021). Common objects in context coco). https://cocodataset.org/. Access on 29 de Fevereiro de 2021.
Luo, H.-W., Zhang, C.-S., Pan, F.-C., and Ju, X.-M. (2019). Contextual-yolov3: Implement better small object detection based deep learning. In 2019 International Conference on Machine Learning, Big Data and Business Intelligence (MLBDBI), pages 134-141. IEEE.
Marques, B. H. P. (2019). Avaliação de algoritmos baseados em deep learning para localizar placas veiculares brasileiras em ambientes complexos. B.S. thesis, Brasil.
Mendonça, M. C. F. B. d. et al. (2004). Autoecologia do camorim, centropomus undecimalis (bloch, 1792),(perciformes: Centropomidae) em ambiente hipersalino em galinhos, rn, brasil.
Nelson, J. (2022). Roboflow. https://roboflow.com. Access on 26 de Janeiro de 2022.
Pérez-Ortiz, M., Fernández-Delgado, M., Cernadas, E., Domínguez-Petit, R., Gutiérrez, P. A., and Hervás-Martínez, C. (2015). On the use of nominal and ordinal classifiers for the discrimination of states of development in fish oocytes. Neural Processing Letters, 44(2):555-570.
Pintor, J., Carrión, P., Cernadas, E., González-Rufino, E., Formella, A., Fernández-Delgado, M., Domínguez-Petit, R., and Rábade-Uberos, S. (2016). Govocitos: A software tool for estimating fish fecundity based on digital analysis of histological images. Computers and Electronics in Agriculture, 125:89-98.
Redmon, J., Divvala, S., Girshick, R., and Farhadi, A. (2016). You only look once: Unified, real-time object detection. In Proceedings of the IEEE conference on computer vision and pattern recognition, pages 779-788.
Rosa, R. S. and Lima, F. C. (2008). Os peixes brasileiros ameaçados de extinção. Livro vermelho da fauna brasileira ameaçada de extinção, 2:9-275.
Santos, L. E. (2012). Uma tecnica e ferramenta orientadas por objetivos para a construcao de ontologias de aplicação. Master's thesis, Dissertação de Mestrado em Engenharia de Eletricidade Universidade Federal do Maranhão.
Silva, J. G. J., Narciso, M. G., and Gonçalves, C. (2019). Computer vision and image processing for detecting and quantifying whiteflies: a systematic review. In Embrapa Arroz e Feijão-Artigo em anais de congresso (ALICE), pages 382-391. Congresso Brasileiro de Agroinforática.
Silva, J. G. J. d. et al. (2021). Redes neurais profundas para detecção e contagem automática de moscas brancas no contexto agrícola.
Sivakumaran, K. P., Brown, P., Stoessel, D., and Giles, A. (2003). Maturation and reproductive biology of female wild carp, cyprinus carpio, in victoria, australia. Environmental Biology of Fishes, 68(3):321-332.
Thuan, D. (2021). Evolution of yolo algorithm and yolov5: the state-of-the-art object detection algorithm. Bachelor's thesis, Oulu University of Applied Sciences.
Ultralytics (2022). Tips for best training results. [link]. Access on 26 de Janeiro de 2022.
Wang, C.-Y., Liao, H.-Y. M., Wu, Y.-H., Chen, P.-Y., Hsieh, J.-W., and Yeh, I.-H. (2020). Cspnet: A new backbone that can enhance learning capability of cnn. In Proceedings of the IEEE/CVF conference on computer vision and pattern recognition workshops, pages 390-391.
Xu, R., Lin, H., Lu, K., Cao, L., and Liu, Y. (2021). A forest fire detection system based on ensemble learning. Forests, 12(2):217.
Yang, G., Feng, W., Jin, J., Lei, Q., Li, X., Gui, G., and Wang, W. (2020). Face mask recognition system with yolov5 based on image recognition. In 2020 IEEE 6th International Conference on Computer and Communications (ICCC), pages 1398-1404. IEEE.
Yap, M. H., Hachiuma, R., Alavi, A., Brüngel, R., Cassidy, B., Goyal, M., Zhu, H., Rückert, J., Olshansky, M., Huang, X., et al. (2021). Deep learning in diabetic foot ulcers detection: a comprehensive evaluation. Computers in Biology and Medicine, 135:104596.
Zou, Z., Shi, Z., Guo, Y., and Ye, J. (2019). Object detection in 20 years: A survey. ArXiv, abs/1905.05055.
Publicado
28/09/2022
Como Citar
CRUZ, Yanna L. K. F.; SANTANA, Ewaldo E. C.; SILVA, Antonio F. M.; NASCIMENTO, Isa R. M. A.; FORTES, Raimunda N. C.; TORRES-JÚNIOR, José R. S..
Um Estudo de Caso para Detecção de Ovócitos de Peixe Utilizando Redes Neurais Convolucionais. In: ESCOLA REGIONAL DE COMPUTAÇÃO DO CEARÁ, MARANHÃO E PIAUÍ (ERCEMAPI), 10. , 2022, São Luís.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2022
.
p. 1-10.
DOI: https://doi.org/10.5753/ercemapi.2022.224774.
