一种转移学习方法,用于在显微镜图像中识别菌
Jonathan da Silva Ramos1, Ivo Henrique Provensi Vieira2,3, Wan Song Rocha3,4
1Computer Science Department, Federal University of Rondônia (DACC/UNIR), Porto Velho, Rondônia, Brazil.
这项研究表明,DenseNet201深度学习模型可以准确地识别疟疾诊断的血图中的Plasmodium寄生虫. 转移学习显示了计算机辅助诊断的前景,提高了检测速度和准确性.
科学领域:
- 医学成像和诊断 医学成像和诊断
- 计算生物学和生物信息学
- 传染病研究传染病研究.
背景情况:
- 疟疾是由虫寄生虫引起的,是全球主要的健康问题,每年导致数百万病例和数十万死亡.
- 在血液涂抹中准确识别疟疾通常需要专门的专业知识,这对广泛的临床应用构成了挑战.
- 现有的疟疾检测自动化方法需要进一步改进,以便在计算机辅助诊断 (CAD) 系统中可靠的临床使用.
研究的目的:
- 用预训练的深度学习架构来评估转移学习的有效性,用于疟疾的自动识别和分类.
- 评估DenseNet201模型在微观血液图像中检测Plasmodium寄生虫的性能.
主要方法:
- 使用了包含6222个感兴趣区域 (ROI) 的数据集,包括来自广泛生物图像基准集合 (BBBC) 的图像和来自巴西的当地获取的图像.
- 数据集经过严格的交叉验证,使用100个不同的分区 (80%的培训,20%的测试) 与循环ROI.
- 转移学习是使用成熟的深度学习架构来应用的,重点是使用DenseNet201进行绩效评估.
主要成果:
- DenseNet201模型在ROI中识别了高达99.41%的曲线下面面积 (AUC),表明了出色的诊断性能.
- 该模型展示了快速处理时间,使其适合快速分析.
- 丹森网201显著超过了其他考虑的网络,具有99%的置信区间,突出了其在疟疾检测方面的卓越能力.
结论:
- 转移学习,特别是DenseNet201架构和纹理特征,显示出区分疟疾感染个体的巨大潜力.
- 这种方法能够检测到即使在具有挑战性的白细胞图像中,也能够检测到Plasmodium寄生虫.
- 未来的工作重点将是扩展该方法以获得更多数据,并开发用于临床CAD实施的用户友好的界面,旨在造福全球人口,特别是靠近亚马逊地区的人口.
更多相关视频
10:50Detection and Quantification of Plasmodium falciparum in Aqueous Red Blood Cells by Attenuated Total Reflection Infrared Spectroscopy and Multivariate Data Analysis
Published on: November 2, 2018
08:20Author Spotlight: AI-Driven Trypanosome Species Detection from Microscopic Images
Published on: October 27, 2023
相关概念视频
Immunofluorescence Microscopy
The...
Overview of Microscopy Techniques
Two-Dimensional Microscopy in Microbiology
Three-Dimensional Microscopy in Microbiology
Differential Staining Technique
Special Staining Techniques
