相关实验视频
Updated: Jun 16, 2026
09:53
In vivo Imaging of Transgenic Leishmania Parasites in a Live Host
Published on: July 27, 2010
16.0K
用显微镜图像对皮肤莱什曼病寄生虫诊断深度学习模型进行评估
Ali Mansour Abdelmula1, Omid Mirzaei2,3, Emrah Güler4
1Department of Microbiology and Clinical Microbiology, Faculty of Medicine, Near East University, North Cyprus, Mersin 10, Lefkoşa 99010, Turkey.
Diagnostics (Basel, Switzerland)
|January 11, 2024
概括
这项研究引入了深度学习方法来诊断皮肤雷什曼病 (CL). 在皮肤涂抹图像中识别Leishmania寄生虫时,DenseNet-201实现了高准确度,提供了一个有前途的诊断工具.
科学领域:
- 医学诊断 医学诊断 医学诊断
- 计算生物学是一种计算生物学.
- 寄生虫学的寄生虫学
背景情况:
- 皮肤雷什曼病 (CL) 以皮肤病变的形式出现,在利比亚等地区由于冲突和医疗保健下降而越来越普遍.
- 诊断CL对于有效的治疗和公共卫生管理至关重要.
研究的目的:
- 评估卷积神经网络 (CNN) 用于诊断皮肤莱什曼病的amastigotes.
- 为了比较各种预训练深度学习模型的性能,用于CL寄生虫检测.
主要方法:
- 利用了来自莱什曼尼亚感染个体的超薄皮肤涂抹图像的数据集.
- 雇员预先训练有素的深度学习模型:EfficientNetB0,DenseNet201,ResNet101,MobileNetv2和Xception. 这三种深度学习模型都在使用中.
- 实施了五重交叉验证策略来评估模型的稳定性.
主要成果:
- 在评估的模型中,DenseNet-201表现出卓越的性能.
- 而DenseNet-201的平均准确率为0.9914.
- 该模型表现出极好的灵敏度,特异性和其他关键性能指标.
结论:
- DenseNet-201是一种高效的深度学习模型,用于从皮肤涂抹图像中诊断皮肤莱什曼病.
- 这种人工智能驱动的方法为CL诊断提供了可靠和准确的替代方案.
