El mundo de las imágenes microscópicas nos confronta con formas inusuales que describen múltiples propiedades de los pequeños territorios observados. La interpretación humana es fundamental en el estudio cualitativo de las micrografías, ya que permite determinar características visuales (a menudo, morfológicas) relacionadas con las muestras investigadas. En lo que respecta al análisis cuantitativo, el ojo humano resulta insuficiente, considerando la gran cantidad de imágenes que se pueden obtener cuando se trata de enfocar la lente del microscopio a lo largo de una pequeña área de interés.
Aunque programas de análisis de imágenes como ImageJ son populares entre las diferentes comunidades científicas que recurren al análisis visual de las micrografías, estas herramientas aún dependen de la selección manual y empírica de diferentes parámetros proporcionados por el usuario. El aprendizaje profundo, por su parte, ha demostrado ser una herramienta computacional potente en el análisis de bases de datos visuales, pues tiene la capacidad de solucionar problemas de clasificación, regresión y agrupamiento en grandes volúmenes de imágenes. Extrapolados a las bases de datos de micrografías, los algoritmos de aprendizaje profundo proveen a los investigadores con herramientas expansivas para la formulación y comprobación de hipótesis en campos como las ciencias de materiales y la biotecnología.
Desarrollar programas de reconocimiento de patrones altamente especializados es, pues, crucial en la investigación de los pequeños mundos. En el caso particular de nuestro trabajo, la textura fractal de micrografías de gotas evaporadas pudo caracterizarse mediante un algoritmo de aprendizaje profundo no supervisado, desarrollado en el Laboratorio de Análisis de Patrones y Geometría de la Unidad Saltillo del Cinvestav. La modalidad no supervisada es, quizá, la más compleja en el aprendizaje automático, ya que no supone ningún tipo de información a priori acerca de la base de datos a analizar.
La idea principal del trabajo publicado en Acuña et al. (2023) fue encontrar el número de clústers que mejor describiera a la base de datos de micrografías de residuos de gotas evaporadas de extractos farmacéuticos de la planta Viscum album, del Instituto Hiscia, de la Sociedad para la investigación del cáncer, en Suiza. A grandes rasgos, la base de datos consistió en 606 micrografías de gotas secas pertenecientes a diferentes métodos de mezclado: 196 micrografías sin procedimiento de mezclado (grupo control o difusión), 206 micrografías correspondientes al método de mezclado mediante trazos verticales por máquina (grupo turbulento), y 204 micrografías concernientes al método de inducción de flujo tipo vórtice de forma manual (grupo laminar). Cada micrografía representó al núcleo del residuo de una gota evaporada. El método de aprendizaje no supervisado consistió en transformar regiones de interés de cada micrografía a una representación de textura profunda (Deep Texture Representation – DTR) utilizando una red VGG-19 hasta su quinta capa convolucional, para posteriormente aplicar agrupamiento jerárquico a las proyecciones de cada DTR en un espacio de mucha menor dimensionalidad obtenido mediante análisis por componentes principales. El resultado de este agrupamiento devolvió 13 clústers representativos de la base de datos (ver figura 1), mismos que fueron refinados mediante el entrenamiento de una red neuronal densamente conectada (DenseNet), para un problema de clasifiación de 13 clases.
De manera concluyente, cada micrografía pudo ser caracterizada por un vector en R13 que reveló, gracias a una máquina de vectores de soporte, que las gotas secas del procedimiento de mezcla por difusión (muestra acuosa en reposo), representan el estado de textura fractal original de los métodos de mezcla, y que esa textura se fortalece en un su fractalidad con el movimiento laminar, o bien, se debilita en su fractalidad con el movimiento turbulento. El método propuesto de aprendizaje no supervisado será de relevancia en el análisis de gotas secas para la identificación de medicamentos adulterados, y en el diagnóstico de enfermedades cardiovasculares en etapas tempranas, a investigarse en el proyecto de ciencia de fronteras CONAHCYT “Reconocimiento de patrones en residuos de gotas evaporadas utilizando aprendizaje profundo” CF-2023-G-454.
[1] Acuña, C.; Kokornaczyk, M.O.; Baumgartner, S.; Castelán, M. (2023). Unsupervised Deep Learning Approach for Characterizing Fractality in Dried Drop Patterns of Differently Mixed Viscum album Preparations. Fractal and fractional, 7(10), 733.
https://doi.org/10.3390/fractalfract7100733 Fractal and Fractional, factor de impacto 5.1 (Q1: Mathematics, Interdisciplinary Applications).
