DeepLeish:一个基于深度学习的支持系统,用于从Giemsa染色显微镜图像中检测Leishmaniasis寄生虫
Eden Tekle1, Kokeb Dese2,3, Selfu Girma4
1School of Biomedical Engineering, Jimma University, Jimma, Ethiopia.
BMC medical imaging
|June 18, 2024
概括
一个使用深度学习的人工智能工具从显微镜图像中准确检测莱什曼病. YOLOV5模型表现出卓越的性能,在资源有限的环境中提供了改进诊断的潜力.
科学领域:
- 医学寄生虫学 医学寄生虫学
- 计算生物学 计算生物学
- 医疗保健中的人工智能
背景情况:
- 莱什曼病是一种被忽视的寄生虫疾病,影响全球数百万人,每年死亡率很高.
- 目前的诊断方法是主观的,容易出错,低效,需要改进检测策略.
- 这种疾病以皮肤,粘膜皮肤和内脏形式出现,使诊断和治疗复杂化.
研究的目的:
- 开发基于人工智能的工具,使用深度学习精确检测利什曼病.
- 为了分析微观图像以检测Leishmania寄生虫的存在.
- 在临床环境中提高诊断效率和准确性.
主要方法:
- 采集和专家标记Giemsa染色的显微镜图像.
- 数据增强技术,以提高模型的通用性.
- 深度学习对象检测模型的实施和微调:更快的RCNN,SSD和YOLOV5.5.
主要成果:
- 微调的YOLOV5模型实现了最高的平均精度 (MAP) 73%.
- 在寄生虫检测方面,YOLOV5的表现优于Faster RCNN (54% MAP) 和SSD (57% MAP).
- 该模型在识别寄生虫方面表现出有效性,即使是在单细胞细胞中.
结论:
- 开发的YOLOV5模型显示出从显微镜图像中协助莱什曼病诊断的前景.
- 这种人工智能工具可以减少诊断时间,工作量和错误诊断,特别是在资源较少的医疗保健机构.
- 未来的工作包括结合级联网络和寄生虫负载量化,以进一步提高准确性.
