{rfName}
HO

Llicència i ús

Citacions

Altmetrics

Grant support

This project has been partially funded by the European Union's Horizon 2020 research and innovation programme (grant agreement No 881062) and the Bill and Melinda Gates Foundation (grant number Edge-Spot project INV-051355). LL was supported by a predoctoral grant IND2019/TIC-17167 (Comunidad de Madrid).

Anàlisi d'autories institucional

Lin, LinAutor o coautorLuengo-Oroz, MiguelAutor o coautorBermejo-Pelaez, DavidAutor o coautor

Compartir

13 demarç de 2025
Publicacions
>
Conferència publicada
Green

HOW MANY LABELS DO I NEED? SELF-SUPERVISED LEARNING STRATEGIES FOR MULTIPLE BLOOD PARASITES CLASSIFICATION IN MICROSCOPY IMAGES

Publicat a:Proceedings (International Symposium On Biomedical Imaging). - 2024-01-01 (), DOI: 10.1101/2024.02.29.24303535

Autors: Mancebo-Martin, Roberto; Lin, Lin; Dacal, Elena; Luengo-Oroz, Miguel; Bermejo-Pelaez, David

Afiliacions

CIBER BBN, Madrid, Spain - Autor o coautor
Spotlab SL, Madrid, Spain - Autor o coautor
Univ Politecn Madrid, Biomed Image Technol, Madrid, Spain - Autor o coautor

Resum

Bloodborne parasitic diseases such as malaria, filariasis or chagas pose significant challenges in clinical diagnosis, with microscopy as the primary tool for diagnosis. However, limitations such as time-consuming processes and the dependence on trained microscopists is critical, particularly in resource-constrained settings. Deep learning techniques have shown value to interpret microscopy images using large annotated databases for training. In this work, we propose a methodology leveraging self-supervised learning as a foundational model for blood parasite classification. Using a large unannotated database of blood microscopy images, the model is able to learn important image representations that are subsequently transferred to perform parasite classification of 11 different species of parasites requiring a smaller amount of labeled data. Our results show enhanced performance over fully supervised approaches, with similar to 100 labels per class sufficient to attain an F1 score of similar to 0.8. This approach is promising for advancing in-vitro diagnostic systems in primary healthcare settings.

Paraules clau

Blood parasiteBlood parasitesDeep learningMicroscopySelf-supervised learning

Indicis de qualitat

Impacte i visibilitat social

Des de la dimensió d'influència o adopció social, i prenent com a base les mètriques associades a les mencions i interaccions proporcionades per agències especialitzades en el càlcul de les denominades "Mètriques Alternatives o Socials", podem destacar a data 2025-07-06:

  • L'ús, des de l'àmbit acadèmic evidenciat per l'indicador de l'agència Altmetric referit com a agregacions realitzades pel gestor bibliogràfic personal Mendeley, ens dona un total de: 3.

Amb una intenció més de divulgació i orientada a audiències més generals, podem observar altres puntuacions més globals com:

  • El Puntuació total de Altmetric: 0.25.
  • El nombre de mencions a la xarxa social X (abans Twitter): 1 (Altmetric).

És fonamental presentar evidències que recolzin l'alineació plena amb els principis i directrius institucionals sobre Ciència Oberta i la Conservació i Difusió del Patrimoni Intel·lectual. Un clar exemple d'això és:

  • El treball s'ha enviat a una revista la política editorial de la qual permet la publicació en obert Open Access.

Anàlisi del lideratge dels autors institucionals

Hi ha un lideratge significatiu, ja que alguns dels autors pertanyents a la institució apareixen com a primer o últim signant, es pot apreciar en el detall: Últim Autor (BERMEJO PELAEZ, DAVID).