基于深度学习的Eimeria卵囊的检测和生存能力评估

科学领域:

• 兽医寄生虫学 兽医寄生虫学
• 计算生物学 计算生物学
• 禽畜科学 禽畜科学 禽畜科学

背景情况:

• 由Eimeria物种引起的菌病对全球家禽产业产生重大影响,导致经济损失.
• 准确量化可行的Eimeria卵囊对于有效的家禽疫苗接种策略至关重要.
• 目前的卵囊活力评估方法复杂,不适合常规监测.

研究的目的:

• 开发一种简单,具有成本效益的深度学习方法,以区分可活和不可活的Eimeria卵囊.
• 为了利用形态特征,特别是死卵囊中的颗粒状结构,用于生命力检测.
• 通过可靠的卵囊活力评估,增强菌病疫苗的配方和管理.

主要方法:

• 使用深层卷积神经网络 (YOLOv7架构) 进行可行性检测.
• 使用相对比 (PC),差异干扰对比 (DIC) 和明亮场 (BF) 对Eimeria acervulina卵的成像.
• 精细的数据集与特定类别的标签 (有分泌物,无分泌物,死亡) 和进行的跨物种评估.

主要成果:

• 用PC图像训练的YOLOv7模型实现了高精度 (93.1%) 和回忆 (91.2%).
• 数据集的精细化显著提高了性能,达到99.1%的精度和99.1%的回忆.
• 该模型对Eimeria tenella (100%的精度,98.1%的回忆) 进行了优异的概括,并且在微调后对Eimeria maxima表现良好.

结论:

• 深度学习提供了一种实用,快速和可靠的方法来评估Eimeria卵的生存能力.
• 这种方法可以显著改善禽业的疫苗配方和菌病管理.
• 该方法显示了评估影响人类健康和食品安全的相关寄生虫生存能力的潜力.