用临床显微镜的多任务深度学习方法进行细菌图像分析
Shuang Yee Chin1, Jian Dong2, Khairunnisa Hasikin1,3
1Department of Biomedical Engineering, Faculty of Engineering, Universiti Malaya, Kuala Lumpur, Malaysia.
PeerJ. Computer science
|August 15, 2024
概括
深度学习模型从微观图像中自动检测和分类大肠杆菌生长阶段. YOLOv4取得了最高的准确性,证明了自动化细菌图像分析的潜力.
科学领域:
- 微生物学 微生物学
- 计算机科学 计算机科学
- 生物技术是生物技术.
背景情况:
- 细菌图像分析对于结构生物学,疾病诊断和药物发现至关重要.
- 通过深度学习 (DL) 自动化细菌图像分析,提高了准确性,效率和标准化.
- DL 能够进行快速,可靠的分析,以更好地理解和控制细菌现象.
研究的目的:
- 开发和评估DL对象检测网络,用于自动化细菌图像分析.
- 根据它们的生长阶段检测和分类大肠杆菌 (E. coli) 细菌.
- 为了比较SSD-MobileNetV2,EfficientDet和YOLOv4用于多任务细菌检测的性能.
主要方法:
- 三个DL对象检测网络 (SSD-MobileNetV2,EfficientDet,YOLOv4) 已经实施.
- 一个多任务DL框架将细菌分为杆状,分裂和微殖民地阶段.
- 模型使用预处理数据 (增量,注释,分割) 进行训练,并使用mAP,精度,回忆和F1-score进行评估.
主要成果:
- 所有DL模型都在测试图像上显示了高的检测准确度.
- YOLOv4获得了最高的信心分数,并为不同增长阶段使用了不同的界限框.
- YOLOv4以98%的mAP,86%的精度,97%的回忆率和91%的F1得分优于其他模型.
结论:
- 在多任务细菌图像分析中,DL方法是有效的.
- 拟议的模型自动检测和分类大肠杆菌从显微镜图像.
- YOLOv4表现出卓越的性能,突出了它在细菌图像分析应用中的潜力.
