Para ejecutar: Entrar a la carpeta interface y ejecutar el comando python interface.py por terminal.
Integrantes:
Aplicar modelos de clasificación de objetos para la detección y clasificación de eritrocitos, leucocitos y trombocitos en imágenes sanguíneas para la facilitación del conteo de células y/o detección de enfermedades.
El ser humano adulto posee más de 5 litros de sangre en promedio y existen una variedad de problemas y enfermedades relacionados con su composición. Las células sanguíneas pueden presentar deformidades, signos de enfermedades como cáncer o células falciformes. Por otro lado, anomalías en las proporciones de la cantidad de los subtipos de células sanguíneas, ya sea un bajo conteo de glóbulos rojos (eritrocitos), signos de anemia, o un gran número de glóbulos blancos (leucocitos) es una señal de la Leucemia.
Un problema importante en el diagnóstico de la sangre es la clasificación y conteo de las diferentes subtipos de células sanguíneas que la componen, nuestro proyecto busca la automatización de este proceso a través de métodos de computer vision.
Para nuestra investigación tendremos a disposición la base de datos BCCD, un dataset de 12,500 imágenes de células sanguíneas acompañadas de etiquetas de 4 diferentes tipos de células. El dataset se encuentra disponible al público bajo la licencia MIT.
Tomaremos el trabajo previo realizado por Paul Mooney como referencia base para nuestro proyecto de investigación.
En este repositorio encontrarás los diferentes notebook y scripts de python utilizados a lo largo de nuestra investigación, a continuación se presenta un índice del repositorio.
CellsAtWork
│ README.md
│
└───data
│ │ prepare_data.py
│ │
│ └───datasets
│ └───train
│ │
│ └───test
│
└───notebooks
Visualize.ipynb
Yolo.ipynb
Retinanet.ipynb
-
data: Contiene los datasets y el script prepare_data.py. Este script utiliza el dataset original de BCCD para generar los datasets que se utilizarán para el entrenamiento y test.
-
notebooks: Contiene los notebooks que se utilizarán para la visualización de las imágenes y el entrenamiento de cada técnica.
Para la ejecución local del repositorio se necesitan los siguientes modulos especificados en enviroment.yml.
Puedes instalar los requisitos con:
conda env create -f environment.yml
En resumen, se necesita python3, tensorflow, keras, sklearn, pandas, numpy, matplotlib
Además es necesario instalar keras-RetinaNet desde este repositorio.
Finalmente, se requiere del datasets BCCD. Una vez descargado utilizar el script data/prepare_data.py para crear el dataset para los modelos usados en este repositorio.