通过对抗域适应增强 AI 显微镜用于食品源性细菌分类
图像与视频处理
2024-12-02 v1 计算机视觉与模式识别
机器学习
摘要
快速检测食品源性细菌对于食品安全和质量至关重要，但传统的培养方法需要延长的培养时间和专业的样本准备。本研究通过 i) 使用对抗域适应增强 AI 显微镜用于细菌分类的通用性，ii) 比较单目标和多域适应的性能。对三种革兰阳性菌（Bacillus coagulans、Bacillus subtilis、Listeria innocua）和三种革兰阴性菌（E. coli、Salmonella Enteritidis、Salmonella Typhimurium）进行分类。EfficientNetV2 作为 backbone 架构，利用细粒度特征提取处理小目标。少样本学习实现可扩展性，域对抗神经网络（DANN）处理单个域，而多DANN（MDANN）在所有目标域上进行泛化。模型在来源域数据上训练（相位对比显微镜，60x 变放大，3 小时培养），在目标域上评估（亮场显微镜，20x 变放大，延长培养以补偿较低分辨率，20x-5h）。DANN 在 20x 条件下将目标域分类准确率提高最高 54.45%，在 20x-5h 条件下提高 43.44%，在 BF 条件下提高 31.67%，且对来源域的降低不超过 4.44%。MDANN 在 BF 域取得优异性能，在 20x 域实现显著提升。Grad-CAM 和 t-SNE 可视化验证了模型在不同条件下学习到域无关特征的能力。该研究提出了一个可扩展且可适应的细菌分类框架，减少对大量样本准备的依赖，使其可用于分散式和资源受限环境。
引用
@article{arxiv.2411.19514,
title = {Enhancing AI microscopy for foodborne bacterial classification via adversarial domain adaptation across optical and biological variability},
author = {Siddhartha Bhattacharya and Aarham Wasit and Mason Earles and Nitin Nitin and Luyao Ma and Jiyoon Yi},
journal= {arXiv preprint arXiv:2411.19514},
year = {2024}
}