En este curso se presentan los conceptos principales de Procesamiento de Señales y Aprendizaje Automático aplicado al análisis de bioimágenes por computadora con especial énfasis en su aplicación de ciencias de la vida. Se abordarán aspectos de áreas extensas de manera de dejar claros los conceptos generales subyacentes y abrir la puerta a un estudio más detallado por parte del estudiante.
Al finalizar el curso el/la estudiante comprenderá los fundamentos del procesamiento de señales, aprendizaje profundo, y aprendizaje automático para el procesamiento y análisis de bioimágenes, tendrá experiencia en el uso de software que implementa algoritmos de procesamiento de imágenes, y análisis basado en aprendizaje automático y podrá encarar proyectos de aplicación de alcance medio; además adquirirá la terminología específica del área que le permitirá dialogar con personal más experimentado para desarrollar proyectos de mayor envergadura.
Se tendrán en cuenta aspectos generales del Aprendizaje Automático, su impacto en la Inteligencia Artificial, los aspectos éticos de su aplicación y sus consideraciones en las publicaciones científicas.
Este curso fue diseñado como una versión concentrada de los temas de los PIMBIO y MAPBIO diseñados y dictados por nuestro grupo.
Modalidad de enseñanza
QuMBIA tiene una fuerte componente de actividad práctica de los estudiantes, entendemos que fundamental para lograr los objetivos del curso. Las clases son de cuatro horas con un corte a la mitad. Es usual que tenga una parte «teórica» de presentación del tema y su componente práctica.
Fechas y lugar
Este curso se dictará del 8 al 17 de julio de 2024 en la sede de Maldonado del Centro Universitario Regional del Este (CURE).
El curso no tiene una periodicidad definida. Si estás interesado en saber cuándo se dictará o coordinar para el dictado del curso en tu institución ponete en contacto por email y no te olvides de registrarte en nuestra lista de novedades.
Registro de interesados
Los interesados deben completar el siguiente formulario.
Temario
- Fundamentos de las bioimágenes. Procesamiento de imágenes: problemas y aplicaciones. Relaciones con disciplinas vecinas. Pasos fundamentales en el procesamiento de imágenes: Esquema general de un sistema de visión por computador.
- Representación y visualización de imágenes. Arreglos de datos multidimensionales. Imágenes vectoriales. Discretización espacio-temporal. Cuantificación. Visualización de imágenes 2D, 3D, 3D+t. Formatos de almacenamiento.
- Introducción a ImageJ/Fiji. Presentación del software ImageJ/Fiji. Comandos y operaciones. Manejo de memoria. Operaciones sobre imágenes, filtrado, manejo de regiones de interés.
- Histogramas y operaciones de píxeles. Histogramas, operaciones con histogramas, ecualización de histograma, modificación brillo y contraste, cuantificación, umbralización global y local.
- Macros y scripts en ImageJ/Fiji. Registro y ejecución de secuencias de comandos (macros). Modificación de macros. Comandos de entrada y salida. Ejecución en lotes (batch processing)
- Adquisición y formación de imágenes. Relación con el modelo de la visión humana. Modelo de color. Modelo de ruido. Concepto de apertura. Relación con la resolución. Formación de imagen en microscopio óptico, de fluorescencia y confocal. OTF/PSF
- Sistemas lineales y filtrado de señales. Filtros lineales, convolución. Filtros no lineales. Filtros en el espacio y en frecuencia. Difusión isotrópica y anisotrópica.
- Análisis frecuencial. Teoría de Fourier. Descomposición en senos y cosenos. FFT. Transformada de Fourier. Propiedades. Ancho de banda. Módulo y fase. Teorema de convolución. Filtrado en el espacio y en frecuencia.
- Restauración de ruido y degradaciones. Modelo de la degradación: desenfoque, borroneo, ruido. Métodos de restauración. Filtro adaptivo. Filtro inverso. Medidas de desempeño.
- Fundamentos del Aprendizaje Automático (AA). Planteo y diagrama de un sistema de AA. Tipos de problemas de AA. Etapas de desarrollo. Medidas de desempeño. Optimización y búsqueda de parámetros. Sobre-ajuste y medidas para evitarlo. Clasificadores: SVM, Decision Trees, Ensemble Learning, Random Forest, LDA, QDA.
- Introducción a ilastik. Presentación del software ilastik. Flujos de trabajos. Formatos de salida para grandes volúmenes de datos. Ajuste de parámetros y procesamiento batch para imágenes. Comunicaciones con ImageJ/Fiji.
- Clasificación de píxeles y objetos. Clasificación de píxeles y objetos con un enfoque de AA. Entrenamientos de clasificadores. Medida de desempeño.
- Análisis de imágenes a color y textura. Teoría del color. Espacios de representación de color. Texturas estructurales y estadísticas. Métricas para texturas. Conceptos básicos de Aprendizaje Automático para clasificación de texturas.
- Fundamentos del Aprendizaje Profundo. Perceptrón, Perceptrón Multicapa (MLP) y redes neuronales (NN). Redes neuronales convolucionales (CNN), arquitecturas basadas en U-Net.
- Introducción a DeepImageJ. Presentación del plugin para ImageJ/Fiji DeepImageJ y sus etapas de carga y ejecución de modelos. El Bioimage Model Zoo
- Seguimiento de objetos y partículas. Seguimiento de objetos (células, spots) en secuencias de imágenes. Planteo del diagrama detección-seguimiento. Métodos de AA en detección.
- Análisis de formas. Análisis de objetos detectados en imágenes. Factor de forma. Medidas geométricas Medidas estadísticas.
- Adaptación de dominio (transfer learning). Adaptación de modelos pre-entrenados a nuevos datos.
- Super-resolución en fluorescencia. Criterios de resolución. Influencia de la PSF. Técnicas modernas de nanoscopía. Métodos basados en luz estructurada (SIM). Métodos basados en depleción de fluorescencia (STED). Métodos estocásticos (PALM, STORM, SOFI). Método Mean-Shift Super Resolution (MSSR).
- Otras arquitecturas de redes neuronales y aplicaciones. Autoencoders. Redes generativas adversarias (GAN). Transformers. Restauración de imágenes.
- Software y aplicaciones de AA para bioimágenes. DL4MicEverywhere, StarDist, QuPath, Microscopy Image Analyzer, otros.
- Buenas prácticas en el uso de imágenes científicas.
- Aspectos éticos de la aplicación del AA. Consideraciones para las publicaciones científicas con métodos de AA, y la relación con la Inteligencia Artificial.
Modalidad del curso y procedimiento de evaluación
Se realizarán catorce clases teórico/prácticas de cuatro horas. Los estudiantes aplicarán los conceptos teóricos mediante el uso de software que implementa una biblioteca de algoritmos de procesamiento de imágenes y aprendizaje automático y profundo (ImageJ/Fiji, ilastik, DeepImageJ) a fin de impulsarlos a consolidar los conceptos a través de la práctica y el desarrollo de nuevos procedimientos (macros, scripts).
La parte práctica se cubrirá con hojas de ejercicios, algunos de los cuales serán resueltos en conjunto en clase. Estos ejercicios son para entrenamiento y preparación del estudiante, no son parte de la evaluación.
Se dispondrá de horarios de consulta para la preparación de la evaluación posterior a la finalización de las clases presenciales.
La evaluación se realizará a través de dos pruebas con ejercicios a ser resueltos de forma individual. La primera prueba será realizada de forma presencial en un día a acordar con los estudiantes. La segunda prueba serán ejercicios a resolver de forma asíncrona.
La dedicación horaria estimada para la aprobación del curso es de 124 horas desglosadas de la siguiente manera:
- Horas de clase (teórico): 28
- Horas de clase (práctico): 28
- Horas de evaluación: 4
- Subtotal horas presenciales: 60
- Horas de estudio: 32
- Horas de resolución de ejercicios: 32
Docentes
Los docentes pertenecen al Departamento de Procesamiento de Señales del Instituto de Ingeniería Eléctrica (Facultad de Ingeniería): Federico Lecumberry, Diego Silvera Coeff, y Esley Torres García.
Programa
El documento con el programa se puede acceder desde este enlace.
