相关实验视频
Updated: Jan 10, 2026
11:05
Analysis of Oxidative Stress in Zebrafish Embryos
Published on: July 7, 2014
38.1K
混合深度学习模型用于在氧化应激下分析斑马鱼肠道组织学图像
Cristian Dan Pavel1, Simona Moldovanu2,3, Irina Andreea Pavel4
1Department of Morphofunctional Sciences I, Faculty of Medicine, Grigore T. Popa University of Medicine and Pharmacy, 700115 Iasi, Romania.
Diagnostics (Basel, Switzerland)
|November 27, 2025
概括
这项研究通过使用深度学习和图像预处理来增强斑马鱼肠道图像分类. 结合Xception和SVM的混合模型实现了84.6%的准确性,优于原始图像.
科学领域:
- 计算生物学 计算生物学
- 组织病理学 组织病理学
- 斑马鱼模型 斑马鱼模型
背景情况:
- 卷积神经网络 (CNN) 和图像预处理可以改善斑马鱼肠中的抗氧化剂效应分类.
- 现有的方法需要改进,以便进行准确的组织学图像分析.
研究的目的:
- 提出一种混合深度学习 (DL) 技术,将Xception CNN,自动编码器,定制CNN和视觉转换器 (ViT) 结合起来,用于斑马鱼肠道分类.
- 评估支持向量机 (SVM),随机森林 (RF) 和k-最近邻居 (kNN) 的功能的有效性,以进行特征分类.
- 评估对比度有限的自适应直方体平衡 (CLAHE) 对分类准确性的影响.
主要方法:
- 开发了一个混合DL模型,集成Xception,自动编码器,自定义CNN和ViT.
- 应用了CLAHE和AI算法来预处理斑马鱼肠道组织学图像.
- 用SVM,RF和kNN来对DL产生的特征进行分类.
- 二元分类任务包括控制与氧化应激 (OS),OS与OS+二氧化 (TB),以及OS与OS+咖啡因 (CAF).
主要成果:
- 使用预处理图像的混合模型显示,与原始图像相比,分类准确度有所提高.
- 最好的性能是通过混合Xception和SVM模型来实现OS对OS+TB分类的最佳性能.
- 这种组合在预处理图像中产生了84.6%的精度,而原始图像的精度为78.4%.
结论:
- 建议的混合DL方法与CLAHE预处理相结合,显著提高了分类斑马鱼肠道形态的准确性.
- Xception-SVM混合型号表现出卓越的性能,特别是在区分氧化应激和神胺效应方面.
- 这种技术为分析化学处理对斑马鱼肠道的影响提供了一个有前途的工具.
