通过深度学习和微调优化器在显微镜图像中增强寄生虫生物的检测

科学领域:

• 医学诊断 医学诊断 医学诊断
• 寄生虫学的寄生虫学
• 计算机视觉 计算机视觉 计算机视觉

背景情况:

• 寄生虫感染是一个重大的全球卫生挑战,特别是在资源有限的地区.
• 准确及时检测寄生虫对于有效的治疗和疾病控制至关重要.
• 深度学习在医学图像分析中显示出相当大的希望,用于疾病诊断.

研究的目的:

• 调查深度学习技术在检测和分类各种寄生虫生物的有效性.
• 在多种寄生虫数据集上评估多种深度转移学习模型和优化器的性能.

主要方法:

• 研究人员使用了34298张寄生虫图像 (毒素菌,类,类,类,莱什马尼亚,巴贝西亚,三类) 和宿主细胞的数据集.
• 图像预处理涉及RGB到灰度转换和形态特征提取.
• 图像细分使用了Otsu值和分水技术.
• 深度转移学习模型 (VGG19,InceptionV3,ResNet50V2,ResNet152V2,EfficientNetB3,EfficientNetB0,MobileNetV2,Xception,DenseNet169,InceptionResNetV2) 通过SGD,RMSprop和Adam优化器进行了微调.

主要成果:

• 使用Adam优化器的InceptionResNetV2实现了最高准确率99.96%,损失为0.13.
• 与RMSprop一起的VGG19,InceptionV3和EfficientNetB0获得了99.1%的准确性.
• 带有SGD的InceptionV3表现出高性能,准确率为99.91%,损失为0.98.

结论:

• 深度学习模型与图像处理相结合,提供了一种高度准确和高效的寄生虫生物检测和分类方法.
• 该研究强调了这些人工智能驱动的方法在增强寄生虫学诊断能力方面的潜力.
• 优化的深度学习模型可以显著改善早期检测,有助于改善患者的治疗结果和公共卫生监测.