基于深度学习的多波长空间相干显微镜用于有限标注数据量下疟疾感染阶段的分类
计算机视觉与模式识别
2020-06-24 v1 医学物理
摘要
疟疾是一种危及生命的蚊媒血液疾病，因此早期检测对健康至关重要。传统的检测方法是显微镜检查吉姆萨染色的血涂片，这需要训练有素的技术人员。不同疟疾阶段的自动分类仍然是一项具有挑战性的任务，尤其是在标注数据量有限的情况下，对早期滋养体、晚期滋养体或裂殖体阶段的检测灵敏度较差。本研究旨在利用预训练的卷积神经网络（CNNs）作为分类器并结合多波长以增加样本量，开发一种快速、鲁棒且全自动的系统，用于在有限数据量下对疟疾的不同阶段进行分类。我们还将定制的CNN与其他知名的CNN进行了比较，结果表明我们的网络在较少计算时间下具有可比的性能。我们相信所提出的方法可应用于其他有限标注的生物数据集。
引用
@article{arxiv.1903.06056,
title = {Deep learning enabled multi-wavelength spatial coherence microscope for the classification of malaria-infected stages with limited labelled data size},
author = {Neeru Singla and Vishal Srivastava},
journal= {arXiv preprint arXiv:1903.06056},
year = {2020}
}