Automatic detection and classification of disease in citrus fruit and leaves using a customized CNN based model / Detección y clasificación automática de enfermedades en frutas y hojas de cítricos utilizando un modelo basado en CNN personalizado

India's commercial advancement and development depend heavily on agriculture. A common fruit grown in tropical settings is citrus. A professional judgment is required while analyzing an illness because different diseases have slight variati ons in their symptoms. In order to recognize and classify diseases in citrus fruits and leaves, a customized CNN - based approach that links CNN with LSTM was developed in this research. By using a CNN - based method, it is possible to automatically differenti ate from healthier fruits and leaves and those that have diseases such fruit blight, fruit greening, fruit scab, and melanoses. In terms of performance, the proposed approach achieves 96% accuracy, 98% sensitivity, 96% Recall, and an F1 - score of 92% for ci trus fruit and leave identification and classification and the proposed method was compared with KNN, SVM, and CNN and concluded that the proposed CNN - based model is more accurate and effective at identifying illnesses in citrus fruits and leaves.

El avance y desarrollo comercial de India dependen en gran medida de la agricultura. Un tipo de fruta comunmente cultivada en en tornos tropicales es el cítrico. Se requiere un juicio profesional al analizar una enfermedad porque diferentes enfermedades tienen ligeras variaciones en sus síntomas. Para reconocer y clasificar enfermedades en frutas y hojas de cítricos, se desarrolló e n esta investigación un enfoque personalizado basado en CNN que vincula CNN con LSTM. Al utilizar un método basado en CNN, es posible diferenciar automáticamente entre frutas y hojas más saludables y aquellas que tienen enfermedades como la plaga de frutas , el verdor de frutas, la sarna de frutas y las melanosis. En términos de desempeño, el enfoque propuesto alcanza una precisión del 96%, una sensibilidad del 98%, una recuperación del 96% y una puntuación F1 del 92% para la identificación y clasificación d e frutas y hojas de cítricos, y el método propuesto se comparó con KNN, SVM y CNN y se concluyó que el modelo basado en CNN propuesto es más preciso y efectivo para identificar enfermedades en frutas y hojas de cítricos.

Segmentation of OCT and OCT-A Images using Convolutional Neural Networks / Segmentación de imágenes de OCT y OCT-A por medio de Redes Neuronales Convolucionales

ABSTRACT Segmentation is vital in Optical Coherence Tomography Angiography (OCT-A) images. The separation and distinction of the different parts that build the macula simplify the subsequent detection of observable patterns/illnesses in the retina. In this work, we carried out multi-class image segmentation where the best characteristics are highlighted in the appropriate plexuses by comparing different neural network architectures, including U-Net, ResU-Net, and FCN. We focus on two critical zones: retinal vasculature (RV) and foveal avascular zone (FAZ). The precision obtained from the RV and FAZ segmentation over 316 OCT-A images from the OCT-A 500 database at 93.21% and 92.59%, where the FAZ was segmented with an accuracy of 99.83% for binary classification.

RESUMEN La segmentación juega un papel vital en las imágenes de angiografía por tomografía de coherencia óptica (OCT-A), ya que la separación y distinción de las diferentes partes que forman la mácula simplifican la detección posterior de patrones/enfermedades observables en la retina. En este trabajo, llevamos a cabo una segmentación de imágenes multiclase donde se destacan las mejores características en los plexos apropiados al comparar diferentes arquitecturas de redes neuronales, incluidas U-Net, ResU-Net y FCN. Nos centramos en dos zonas críticas: la segmentación de la vasculatura retiniana (RV) y la zona avascular foveal (FAZ). La precisión para RV y FAZ en 316 imágenes OCT-A de la base de datos OCT-A 500 se obtuvo en 93.21 % y 92.59 %. Cuando se segmentó la FAZ en una clasificación binaria, con un 99.83% de precisión.

Tooth and pulp chamber automatic segmentation with artificial intelligence network and morphometry method in cone-beam CT / Segmentación automática de cámaras dentales y pulpares con red de inteligencia artificial y método de morfometría en TC de haz cónico

SUMMARY: This study aims to extract teeth and alveolar bone structures in CBCT images automatically, which is a key step in CBCT image analysis in the field of stomatology. In this study, semantic segmentation was used for automatic segmentation. Five marked classes of CBCT images were input for U-net neural network training. Tooth hard tissue (including enamel, dentin, and cementum), dental pulp cavity, cortical bone, cancellous bone, and other tissues were marked manually in each class. The output data were from different regions of interest. The network configuration and training parameters were optimized and adjusted according to the prediction effect. This method can be used to segment teeth and peripheral bone structures using CBCT. The time of the automatic segmentation process for each CBCT was less than 13 min. The Dice of the evaluation reference image was 98 %. The U-net model combined with the watershed method can effectively segment the teeth, pulp cavity, and cortical bone in CBCT images. It can provide morphological information for clinical treatment.

RESUMEN: El objetivo del presente estudio fue extraer estructuras dentarias y óseas alveolares desde imágenes CBCT automáticamente, lo cual es un paso clave en el análisis de imágenes CBCT en el campo de la estomatología. En este estudio, se utilizó la segmentación de tipo emántica para la segmentación automática. Se ingresaron cinco clases de imágenes CBCT marcadas, para el entrenamiento de la red neuronal U-net. El tejido duro del diente (incluidos esmalte, dentina y cemento), la cavidad de la pulpa dentaria, hueso cortical, hueso esponjoso y otros tejidos se marcaron manualmente en cada clase. Los datos se obtuvieron de diferentes regiones de interés. La configuración de la red y los parámetros de entrenamiento se optimizaron y ajustaron de acuerdo con un análisis predictivo. Este método se puede utilizar para segmentar dientes y estructuras óseas periféricas mediante CBCT. El tiempo del proceso de segmentación automática para cada CBCT fue menor a 13 min. El "Dice" de evaluación de la imagen de referencia fue de 98 %. El modelo U-net combinado con el método "watershed"puede segmentar eficazmente los dientes, la cavidad pulpar y el hueso cortical en imágenes CBCT. Puede proporcionar información morfológica para el tratamiento clínico.