通过基于补丁的训练和超参数优化,在大规模图像中进行病原体分类的深度合并方法
Fareed Ahmad1,2, Muhammad Usman Ghani Khan3,4, Ahsen Tahir5
1Department of Computer Science, University of Engineering and Technology, G.T. Road, Lahore, Punjab, 54890, Pakistan. fareed.ahmad@uvas.edu.pk.
BMC bioinformatics
|July 1, 2023
概括
使用卷积神经网络 (CNN) 模型进行自动分类,可以准确识别致病细菌. 这种方法提高了诊断能力,有助于疫情控制和减少社会影响.
科学领域:
- 微生物学 微生物学
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 病原细菌对健康构成重大风险,需要准确识别.
- 由于物种相似性,细菌的鉴定可能具有挑战性.
- 自动分类提供了标准化和准确的解决方案.
研究的目的:
- 使用卷积神经网络 (CNN) 模型开发和评估一种强大的致病细菌自动分类系统.
- 在诊断环境中提高细菌识别准确性和效率.
主要方法:
- 通过图像补丁,随机旋转,反射和翻译来增强数据集.
- 应用各种CNN模型:从头开始训练,微调和体重调整.
- 修改现有架构 (InceptionV3,MobileNetV2) 并开发一个整体模型.
- 使用 7:2:1 和 6:2:2 数据分割对模型强度的评估.
主要成果:
- 深度CNN模型的增强和微调产生了最佳的结果.
- 集合模型在数据分割中表现出了卓越的性能.
- 在细菌分类中实现了高精度 (高达99.94%) 和F-Score (高达99.28%).
- 通过增加培训数据,证明了稳健性.
结论:
- 使用整体CNN模型进行自动分类是准确识别致病细菌的宝贵工具.
- 这项技术可以帮助诊断人员和微生物学家,改善疾病控制.
- 有效的细菌鉴定可以减轻感染的社会和经济影响.
