DETECCIÓN DEL
VECTOR AEDES
AEGYPTI Y AEDES
ALBOPICTUS A
TRAVÉS DE
APRENDIZAJE
PROFUNDO
Rogelio Adrian Hernandez Becerril
IMPACTO GLOBAL
(Imagen) http://www.who.int/topics/dengue/es/
390 millones de infecciones por dengue cada
año (intervalo creíble del 95%: 284 a 528 millones), de los cuales 96 millones (67 a 136 millones) se manifiestan clínicamente (cualquiera que sea la gravedad de la enfermedad). En otro estudio sobre la prevalencia del dengue se estima que 3900 millones de personas, de 128 países,
están en riesgo de infección por los virus del dengue
OBJETIVO GENERAL
OBJETIVOS ESPECIFICOS
• Generar una base de datos de entrenamiento, desarrollo y prueba de imágenes de muestras enfocadas en las sedas del octavo segmento de la larva, tomadas a través de un microscopio de 60x. Mínimo se contarán con 500 imágenes.
• Algoritmos de procesamiento de imágenes para reducir el ruido generado por dispositivos de captura de imagen como lo son microscopio y cámara digital. Procesamiento de la imagen en sus diferentes canales para reducir el error total en la clasificación.
• Algoritmos de aprendizaje máquina a través de aprendizaje profundo para la detección automática del vector Aedes aegypti y Aedes albopictus en su estado larvario. Para la clasificación se utilizarán redes neuronales convolucionales.
TRANSMISION
PREVENCIÓN Y CONTROL
• Hoy por hoy, el único método para controlar o prevenir la transmisión del virus del dengue consiste en luchar contra los mosquitos vectores:
• evitar que los mosquitos encuentren lugares donde depositar sus huevecillos aplicando el ordenamiento y la modificación del medio ambiente;
• eliminar correctamente los desechos sólidos y los posibles hábitats artificiales;
• cubrir, vaciar y limpiar cada semana los recipientes donde se almacena agua para uso doméstico: • aplicar insecticidas adecuados a los recipientes en que se almacena agua a la intemperie;
• utilizar protección personal en el hogar, como mosquiteros en las ventanas, usar ropa de manga larga, materiales tratados con insecticidas, espirales y vaporizadores;
• mejorar la participación y movilización comunitarias para lograr el control constante del vector;
• durante los brotes epidémicos, las medidas de lucha antivectorial de emergencia pueden incluir la aplicación de insecticidas mediante el rociamiento.
METODOLOGÍA
Identificación del vector de forma automática a través de capturas de imágenes de larvas recolectadas por medio de un teléfono celular con un microscopio 60x. Para la automatización de la detección se utilizará aprendizaje profundo. En el aprendizaje profundo, cada nivel aprende a transformar sus datos de entrada en una representación un poco más abstracta y compuesta.
CLASIFICACIÓN
Existen diferentes formas de clasificar los mosquitos, en este trabajo vamos a tomar parte del trabajo realizado en [1] para la clasificación, utilizando el octavo segmento (VIII) de la larva, donde se puede observar el patrón en las
siguientes figuras:
El patrón del octavo segmento (VIII) se puede usar para
discriminar larvas del género Aedes de otros géneros. El patrón del octavo segmento de otros géneros se puede ver en la Figura 3.
La base de datos cuenta con aproximadamente 300 imágenes de larvas, que son 102 imágenes de Aedes y 208 imágenes de "No Aedes". Todas las larvas utilizadas para generar los conjuntos de datos se identificaron previamente y se clasificaron en el
Laboratorio de Salud Pública del Estado de Hidalgo en México basado en el artículo [1].
RESULTADOS DE ENCUESTA
CONCLUSIONES Y RECOMENDACIONES
De la muestra recolectada de encuestas lo que pudimos observar es el gran número
de personas que viajan a zonas de riesgo tanto en el interior como al exterior de la
Republica Mexicana. Un 30% de la población encuestada comento no conocer sobre
los riesgos y métodos para prevenir enfermedades por mosquitos y el 60% de la
población no utiliza ningún mecanismo para evitar picaduras de mosquito. En base a
esta encuesta podemos concluir la importancia de tener mecanismos eficaces para la
erradicación de dichas enfermedades. Como siguientes pasos dentro de la
investigación será realizar los pasos descritos en el cronograma para desarrollar un
sistema de aprendizaje maquina que permita identificar la larva portadora de
REFERENCIAS
Angermueller, C., Pärnamaa, T., Parts, L., & Stegle, O. (2016). Deep learning for computational biology. Molecular Systems Biology, 12(7), 878. Bhatt S, Gething PW, Brady OJ, Messina JP, Farlow AW, Moyes CL et.al. The global distribution and burden of dengue. Nature;496:504-507.
Brady OJ, Gething PW, Bhatt S, Messina JP, Brownstein JS, Hoen AG et al. Refining the global spatial limits of dengue virus transmission by evidence-based consensus. PLoS Negl Trop Dis. 2012;6:e1760. doi:10.1371/journal.pntd.0001760.
Díaz-Quiñonez, J. A., López-Martínez, I., Torres-Longoria, B., Vázquez-Pichardo, M., Cruz-Ramírez, E., Ramírez-González, J. E., … Kuri-Morales, P. (2016). Evidence of the presence of the Zika virus in Mexico since early 2015. Virus Genes, 52(6), 855–857.
Leparc-Goffart, I., Nougairede, A., Cassadou, S., Prat, C., & Lamballerie, X. de. (2014). Chikungunya in the Americas. The Lancet, 383(9916), 514.
Organización Mundial de la Salud (OMS). (2018, February 2). OMS. Retrieved from Dengue y dengue grave:
http://www.who.int/es/news-room/fact-sheets/detail/dengue-and-severe-dengue
Patterson, J., Sammon, M., & Garg, M. (2016). Dengue, Zika and Chikungunya: Emerging Arboviruses in the New World. Western Journal of Emergency Medicine, 17(6), 671–679.
Rampasek, L., & Goldenberg, A. (2016). TensorFlow: Biology’s Gateway to Deep Learning? Cell Systems, 2(1), 12–14.
Sanchez-Ortiz, A & Fierro, Atoany & Arista-Jalife, A & Cedillo-Hernandez, M & Nakano-Miyatake, M & Robles-Camarillo, Daniel & Cuatepotzo-Jimenez, V. (2017). Mosquito larva classification method based on convolutional neural networks. 1-6. 10.1109/CONIELECOMP.2017.7891835.
