深度学习图像分析用于线状真菌分类学分类:处理具有类不平衡和层次分组的小数据集

科学领域:

• 菌类学 菌类学是指菌类学.
• 计算生物学 计算生物学
• 生态生态学 生态生态学

背景情况:

• 深度学习 (DL) 广泛用于植物和动物图像分类.
• 微生物分类的DL应用,特别是真菌,发展较少.
• 准确的真菌分类学通常需要专门的知识和分子方法.

研究的目的:

• 调查使用深度学习用于从殖民地图像中分类线状真菌的分类学可行性.
• 为了应对生态数据集中的挑战,例如数据大小小,类不平衡和层次结构.
• 探索在真菌图像识别中的形态特征的实用性.

主要方法:

• 土壤真菌的隔离和分子条形码.
• 获取606张在培养皿中生长的真菌殖民地图像.
• 用各种训练策略和架构应用卷积神经网络 (CNN).

主要成果:

• 模型的整体性能较低,归因于数据集规模较小,类不平衡以及高的真菌形态可塑性.
• 尽管存在局限性,但形态特征 (颜色,斑点,延伸率) 显示出将真菌分类到更高的分类学等级 (系,类,序列) 的潜力.
• 模型解释表明,图像识别特征根据分类分辨率在殖民地内的位置有所不同.

结论:

• 深度学习有望促进对线状真菌分类学和生态学的理解,特别是对于可培养物种.
• 应用DL用于生态图像分析仍然存在重大技术挑战,需要仔细考虑方法的适用性.
• 在殖民地图像中捕获的形态特征可以为真菌提供有价值的分类学信息.