使用卷积和注意力网络识别寄生卵
Nouar AlDahoul1,2, Hezerul Abdul Karim3, Mhd Adel Momo4
1Computer Science, New York University, Abu Dhabi, United Arab Emirates. nouar.aldahoul@live.iium.edu.my.
Scientific reports
|September 2, 2023
概括
这项研究引入了一种新的方法,用于在显微镜图像中识别寄生虫卵,达到93%的准确性. 这种自动化寄生虫学诊断的进步为肠道寄生虫感染提供了更快,更精确的解决方案.
科学领域:
- 医学寄生虫学 医学寄生虫学
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 肠道寄生虫感染 (IPIs) 是一个主要的全球健康问题,特别是在低收入和中等收入国家.
- 目前用于在显微镜中识别寄生虫卵的方法存在不准确性和低灵敏度.
- 自动图像处理为改善诊断提供了一个潜在的解决方案.
研究的目的:
- 开发和评估一种高度准确和快速的方法,用于在显微镜图像中识别和分类寄生虫卵.
- 解决IPI现有诊断技术的局限性.
主要方法:
- 使用Chula-ParasiteEgg数据集 (11,000张图像) 进行培训和评估.
- 实施并比较了卷积神经网络 (CNN) 和卷积注意力网络 (CoAtNet) 模型.
- 微调了CoAtNet模型,专门用于对寄生虫卵的显微镜图像.
主要成果:
- 拟议的CoAtNet模型实现了93%的平均准确性.
- 在CoAtNet模型中,F1平均得分为93%.
- 微调的CoAtNet模型在寄生卵数据集上表现出高的识别性能.
结论:
- 开发的CoAtNet模型为寄生虫卵识别的准确性和速度提供了显著的改进.
- 这种解决方案有可能被集成到用于寄生虫学诊断的自动化系统中.
- 这些发现为更有效,更可靠地检测IPI铺平了道路.
