Aplicación de algoritmos de Machine Learning a la clasificación y reconocimiento de partículas en fluidos multifásicos

La holografía digital ha emergido como una posible herramienta útil en aplicaciones de biomedicina, aunque ciertas dificultades se interponen para que alcance todo su potencial. En particular, la tarea de localizar y clasificar partículas de diferentes tamaños presentes en fluidos, a partir de la información tridimensional que proporciona registrarlas en un holograma, es especialmente complicada cuando la densidad de partículas es elevada y/o los volúmenes analizados son de gran tamaño. Esta tarea es el primer paso de cara al desarrollo de nuevas herramientas contra el cáncer y análisis tridimensionales del riego sanguíneo. En este trabajo se propone una solución basada en machine learning para dicho problema. Se eligen los datos de entrada, generados a partir de un algoritmo sintetizador de hologramas, y los planos de salida adecuados para cumplir este objetivo. Se adapta una arquitectura basada en U-Net, aportando varias novedades. Se escoge un método de entrenamiento adecuado para el modelo, y se entrena el mismo en numerosas ocasiones hasta conseguir los hiperparámetros más óptimos. Los resultados que ofrece este modelo son muy positivos, y se especula sobre la posibilidad de extrapolarlos a casos reales. Finalmente se sugieren ciertas vías por las que continuar mejorando el algoritmo y los retos que deberá superar aún la técnica para tener una utilidad directa en el campo de la biomedicina.