Resumen:
El objetivo de este estudio fue la propuesta de una red neuronal Mask R-CNN para la
segmentación automática en imágenes de microfotografía, del sulco acústico en otolitos de
peces, contemplando la relevancia del estudio de microestructuras presentes en estos otolitos
para diferentes estudios posteriores, entre los cuales destacan; determinación de la edad de
los peces, estudios de gestión y población pesquera, clasificación de especies. La propuesta
de red logra un desempeño alto en cuanto a la precisión en esta tarea de segmentación.
Esta investigación fue aplicada, exploratoria y experimental. En la experimentación se trabajó
con 104microfotografías diferentes de otolitos sagita y consistió en el entrenamiento de
una red convolucional con muestras previamente segmentadas manualmente por expertos
y evaluar el rendimiento de la red con métricas específicas para aprendizaje profundo. Los
resultados demuestran resultados que superan en diferentes aspectos a las técnicas comunes
de segmentación, principalmente el tiempo y recursos necesarios.
Los resultados obtenidos en la evaluación final del trabajo, muestran porcentajes por
encima del 80%en las métricas de evaluación de modelos de aprendizaje profundo: precision,
recall, F1 score y accuracy comparando la segmentación propuesta por el modelo con segmentaciones
manuales, incluso en imágenes no utilizadas en el proceso de entrenamiento
del modelo.
En general, la investigación destaca el potencial de las técnicas de aprendizaje profundo,
comoMask R-CNN, para la segmentación automática de estructuras complejas en imágenes
de muestras biológicas, y abre nuevas posibilidades para futuras investigaciones en el campo
de la gestión pesquera y la biología marina.