使用基于传输电子显微镜图像的功能深度学习模型进行异质病毒分类
Niloy Sikder1,2, Md Al-Masrur Khan3, Anupam Kumar Bairagi4
1Donders Institute for Brain, Cognition and Behaviour, Radboud University Medical Center, Nijmegen, The Netherlands.
Scientific reports
|November 23, 2024
概括
本研究介绍了一种深度学习模型,用于使用传输电子显微镜图像快速识别病毒. 该模型准确地分类了14种病毒类型,提供了快速可靠的诊断工具.
科学领域:
- 病毒学 病毒学
- 计算生物学 计算生物学
- 显微镜的使用方法
背景情况:
- 病毒是微观的传染病原体,具有很高的适应性和严重并发症的潜力.
- 准确和及时的病毒识别对于管理对植物和动物的生物威胁至关重要.
- 手动病毒检测方法往往很慢,缺乏精度.
研究的目的:
- 开发一种基于计算机的自动诊断方法,用于即时识别病毒.
- 提出一种基于深度学习的分类模型,利用传输电子显微镜 (TEM) 图像.
- 为了提高病毒类型的确定速度和准确性.
主要方法:
- 利用传输电子显微镜 (TEM) 图像的数据集进行病毒分类.
- 实施了两种图像处理技术,用于减少原始显微镜图像中的噪声.
- 开发并应用了一个卷积神经网络 (CNN) 模型用于病毒类型分类.
主要成果:
- 拟议的深度学习模型实现了97.44%的最大分类精度.
- 该模型在区分14种不同的病毒类型方面表现出高可靠性.
- 获得了97.44%的F1最高得分,表明了强的表现.
结论:
- 基于深度学习的方法提供了一种有效和可靠的病毒识别方法.
- 这种自动化方案为现有的诊断程序提供了快速可靠的补充.
- 该模型的高精度支持其在临床和研究环境中的实施.


