Revisión de la literatura para el conteo de unidades formadoras de colonias en microorganismos mediante visión artificial
DOI:
https://doi.org/10.18779/ingenio.v9i1.1117Palabras clave:
tecnología aplicada, inteligencia artificial, procesamiento de imágenes, cultivos bacterianos, automatizaciónResumen
En este estudio se llevó a cabo una Revisión Sistemática de la Literatura con el objetivo de identificar los procedimientos más eficientes para el tratamiento de imágenes utilizadas en los análisis microbiológicos. Esta búsqueda incluye publicaciones que se encuentran entre 2019 y 2025, haciendo uso de las principales bases de datos científicas indexadas como Scielo, ACM, Redalyc, Consensus, IEEE Xplore y Springer, así como el buscador Google Académico. Durante la búsqueda se analizaron 41 artículos donde se identificaron diversos enfoques de procesamiento tradicional de imágenes, aprendizaje automático y técnicas híbridas. Los resultados permitieron identificar métodos y herramientas, proporcionando una base sólida para su incorporación en un sistema computacional. La contribución principal es establecer fundamentos para el desarrollo de una solución tecnológica automatizada que facilite la implementación de conteos automáticos para hacer más eficiente el trabajo de los laboratorios científicos y clínicos a través de la disminución de tiempo y errores humanos.
Descargas
Citas
B. S. Cruz Florez, B. R. Gómez Torres, y L. C. Sanchez Leal, “Aplicaciones de la Inteligencia Artificial en Microbiología Agroambiental”, ReCIBE, Revista electrónica de Computación, Informática, Biomédica y Electrónica, vol. 13, no. 2, pp. C2-25, Sep. 2024. [En línea]. Disponible en: https://doi.org/10.32870/recibe.v13i2.362
P. J. Flores Medina, P. Garibay Murillo, y G. R. Peñaloza Mendoza, “Automation of inoculation in culture media for the microbiology laboratory”, Revista de Ciencias Tecnológicas, vol. 6, no. 4, Nov. 2023. [En línea]. Disponible en: https://doi.org/10.37636/recit.v6n4e285
M. Muñoz-Algarra, R. Martínez-Ruiz, y B. Orden-Martínez, “Evaluación del sistema automatizado UF-1000i en el diagnóstico de infección urinaria”, Enfermedades Infecciosas y Microbiología Clínica, vol. 31, no. 1, pp. 29–31, Jan. 2013. [En línea]. Disponible en: https://doi.org/10.1016/j.eimc.2012.05.017
R. Medeot, J. Mena, P. Rodríguez, P. Herrera Najum, L. López, y M. S. Muñoz, “Evaluaciones pre y post reprocesamiento manual y automatizado de endoscopios: aislamiento microbiológico”, Acta Gastroenterológica Latinoamericana, vol. 54, no. 3, pp. 254–261, Sep. 2024. [En línea]. Disponible en: https://doi.org/10.52787/agl.v54i3.423
E. P. Sánchez, D. Núñez, R. O. Cruz, M. A. Torres, y E. V. Herrera, “Simulación y Conteo de Unidades Formadoras de Colonias – Simulation and Counting of Colony-Forming Units”, ReCIBE, Revista Electrónica de Computación, Informática, Biomédica y Electrónica, vol. 6, núm. 1, pp. 97-111, Dec. 2017. [En línea]. Disponible en: https://doi.org/10.32870/recibe.v6i1.70
Cientisol, “Contadores de colonias: tipos y aplicaciones”, 2024. [En línea]. Disponible en: https://cientisol.com/contadores-de-colonias/
H. Munguía-Orozco, “Construcción de un modelo basado en redes neuronales profundas de código abierto para el conteo, localización y clasificación de colonias en placas de Petri”, ITESO, 2023. [En línea]. Disponible en: https://rei.iteso.mx/server/api/core/bitstreams/98df12f5-3c0e-4dcd-8c3d-e2ee2a0d77f9/content
M. T. Madigan, K. S. Bender, D. H. Buckley, W. M. Sattley, y D. A. Stahl, Brock Biology of Microorganisms, 15th ed. Boston, MA, USA: Pearson, 2021.
D. J. Hardy, “Practical Aspects and Considerations When Planning a New Clinical Microbiology Laboratory”, Clinics in Laboratory Medicine, vol. 40, no. 4, pp. 421-431, Dec. 2020. [En línea]. Disponible en: https://doi.org/10.1016/j.cll.2020.08.015
B. Kitchenham y S. Charters, Guidelines for performing Systematic Literature Reviews in Software Engineering, 2007.
A. Rehman, Z. Saleem, J. Amjad, S. R. Shah, y K. Siddique, “A Comparison of Bacterial Colonies Count from Petri Dishes Utilizing Hough Transform and Traditional Manual Counting”, arXiv, May. 2025. [En línea]. Disponible en: https://doi.org/10.48550/arXiv.2505.20365
S. Albaradei, F. Napolitano, M. Uludag, M. Thafar, S. Napolitano, M. Essack, V. B. Bajic, y X. Gao, “Automated counting of colony forming units using deep transfer learning from a model for congested scenes analysis”, IEEE Access, vol.8, pp. 164340-164346, Sep. 2020. [En línea]. Disponible en: https://doi.org/10.1109/ACCESS.2020.3021656
L. F. Coca, Z. P. Franco, y A. Pateti, “Implementación de filtros morfológicos utilizados en el procesamiento de imágenes digitales en un dispositivo lógico programable”, Univ. Cienc. Tecnol., vol. 12, no. 48, pp. 171–182, 2008. [En línea]. Disponible en: https://ve.scielo.org/scielo.php?pid=S1316-48212008000300008&script=sci_arttext
N. Triana, A. E. Jaramillo, R. M. Gutiérrez, y C. A. Rodríguez, “Técnicas de umbralización para el procesamiento digital de imágenes de GEM-Foils”, Scientia et Technica, vol. 21, no. 4, pp. 352–359, 2016. [En línea]. Disponible en: https://revistas.utp.edu.co/index.php/revistaciencia/article/view/13271
J. M. Llamas, “Reconocimiento de imágenes mediante redes neuronales convolucionales”, Tesis de grado, Universidad Politécnica de Madrid, Madrid, España, 2018. [En línea]. Disponible en: https://oa.upm.es/53050/
O. A. Soto Orozco, A. D. Corral Sáenz, C. E. Rojo González, y J. A. Ramírez Quintana, “Análisis del desempeño de redes neuronales profundas para segmentación semántica en hardware limitado”, ReCIBE. Rev. Electrón. Comput., Inform., Bioméd. Electrón., vol. 8, no. 2, 2020. [En línea]. Disponible en: https://doi.org/10.32870/recibe.v8i2.142
P. M. Rodrígues, J. Luís, y F. K. Tavaria, “Image Analysis Semi-Automatic System for Colony-Forming-Unit Counting”, Bioengineering, vol. 9, no. 7, p.271,2022. [En línea]. Disponible en: https://doi.org/10.3390/bioengineering9070271
F. L. Badillo, C. A. R. Hernández, B. M. Narváez, y Y. E. A. Trillos, “Redes neuronales convolucionales: un modelo de Deep Learning en imágenes diagnósticas. Revisión de tema”, Rev. Colomb. Radiol., vol. 32, no. 3, p. 5591, 2021. [En línea]. Disponible en: https://rcr.acronline.org/index.php/rcr/article/view/161
A. B. Schroeder, E. T. Dobson, C. T. Rueden, P. Tomancak, F. Jug, y K. W. Eliceiri, “The ImageJ ecosystem: Open-source software for image visualization, processing, and analysis”, Protein Sci., vol. 30, no. 1, pp. 234–249, 2021. [En línea]. Disponible en: https://doi.org/10.1002/pro.3993
L. Fernández, y P. Ramírez, “Procesamiento digital de imágenes para el análisis microbiológico: revisión y perspectivas”, Computación y Sistemas, vol. 25, no. 4, pp. 789–798, 2019. [En línea]. Disponible en: https://www.cys.cic.ipn.mx/ojs/index.php/CyS/article/view/3352
M. Roynard, E. Carlinet, y T. Géraud, “A Modern C++ Point of View of Programming in Image Processing”, Conf. Generative Programming: Concepts and Experiences, Auckland, Nueva Zelanda, pp. 164–171, 2022. [En línea]. Disponible en: https://doi.org/10.1145/3564719.3568692
M. Charbit, Ed., Digital Signal and Image Processing Using MATLAB, vol. 666. Hoboken, NJ, USA: John Wiley & Sons, 2010.
S. Gollapudi, Learn Computer Vision Using OpenCV: With Deep Learning CNNs and RNNs. Berkeley, CA: Apress, 2019.
M. Nixon y A. Aguado, Feature Extraction and Image Processing for Computer Vision, 5th ed. Academic Press, 2019.
M. Khan, S. Chakraborty, R. Astya, y S. Khepra, “Face detection and recognition using OpenCV”, Conf. Computing, Communication, and Intelligent Systems (ICCCIS), Greater Noida, India, pp. 116–119, 2019. [En línea]. Disponible en: https://doi.org/10.1109/ICCCIS48478.2019.8974493
H. Singh, Practical Machine Learning and Image Processing: For Facial Recognition, Object Detection, and Pattern Recognition Using Python, Berkeley, CA: Apress,2019.
A. A. Khan, A. A. Laghari, y S. A. Awan, “Machine Learning in Computer Vision: A Review”, EAI Endorsed Transactions on Scalable Information Systems, vol. 8, no. 32, Abr. 2021, [En línea]. Disponible en: https://doi.org/10.4108/eai.21-4-2021.169418
R. Szeliski, Computer Vision: Algorithms and Applications, 2nd ed. Cham, Switzerland: Springer Nature, 2022.
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 Luis Alberto Jiménez Villa, María Salomé Alejandre Apolinar, Virginia Lagunes Barradas, Miguel Ángel Hidalgo Reyes
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Acuerdo de licencia
Esta revista ofrece acceso gratuito a su contenido a través de su sitio web, siguiendo el principio de que hacer que la investigación esté disponible gratuitamente para el público apoya un mayor intercambio de conocimiento global.
El contenido web de la revista se distribuye bajo la licencia Atribución-NoComercial-CompartirIgual 4.0 Internacional.
Los autores podrán celebrar otros acuerdos de licencia no exclusivos para la distribución de la versión publicada de la obra, siempre que se reconozca la publicación inicial en esta revista. Se permite y recomienda que los autores publiquen sus trabajos en línea antes y durante el proceso de envío, lo que puede generar intercambios interesantes y aumentar las citas del trabajo publicado.
