用对比的基于损失的自我监督学习来识别兽医和医学上重要的血寄生虫
Supasuta Busayakanon1, Morakot Kaewthamasorn2, Natchapon Pinetsuksai3
1Faculty of Medicine, King Mongkut's Institute of Technology Ladkrabang, Bangkok 10520, Thailand.
Veterinary world
|January 20, 2025
概括
这项研究引入了一种自主监督学习 (SSL) 方法,用于在显微镜图像中识别动物性血病寄生虫. 这种新方法显著提高了诊断的准确性和效率,有助于疾病监测.
科学领域:
- 兽医寄生虫学 兽医寄生虫学
- 医学诊断 医学诊断 医学诊断
- 医疗保健中的机器学习
背景情况:
- 动物传染性血寄生虫对动物和人类构成重大全球健康风险.
- 传统的显微镜诊断是劳动密集型,耗时,需要专家解释.
- 需要创新,高效和准确的寄生虫识别方法.
研究的目的:
- 开发一种自主监督学习 (SSL) 方法,从显微镜图像中识别动物性血病寄生虫.
- 最初将重点放在不同寄生虫物种的分类上.
- 增强目前血液传播动物性传染病的诊断能力.
主要方法:
- 利用公开的微观图像数据集对Giemsa染色的血液膜进行了研究.
- 在SSL模型培训中使用了引导自己的隐藏 (BYOL) 算法.
- 已经测试了作为骨干的剩余网络 (ResNet) 架构 (ResNet50,ResNet101,ResNet152).
- 将SSL模型的性能与基线监督学习模型进行了比较.
主要成果:
- 与所有寄生虫类的监督学习模型相比,BYOL SSL 模型表现出优异的性能.
- 在寄生虫分类中,ResNet50骨干实现了高精度 (0.992).
- 精心调整的SSL模型达到95%的准确性和0.960ROC AUC,仅有1%的标记数据.
- 用20%的数据训练的SSL模型在多个指标 (准确性,回忆,精度,F1分数) 上实现了≥95%的数据.
结论:
- 开发的SSL方法显著提高了动物性病毒性血寄生虫识别的准确性和效率.
- 这种方法可以改善疾病监测,控制和疫情预防,特别是在资源有限的环境中.
- 在生物和医学图像分析中,SSL有效地解决了数据变化和广泛标签要求的挑战.
