基于传输电子显微镜图像的异构病毒分类——功能深度学习模型
计算机视觉与模式识别
2024-05-27 v1
摘要
病毒是能够感染所有类型生物的微观代理，能够利用宿主的生活细胞进行自我复制。尽管病毒在所有生物中拥有最简单的遗传结构之一，但它们具有高度的适应性和韧性，且在恰当条件下能够在宿主身体造成不可预见的并发症。由于其多种传播途径、高传染性和致死性，病毒是动物和植物物种面临的最大生物威胁。使用人工检查技术及时检测宿主身体中病毒的存在并准确确定其类型往往颇具挑战性；然而，可以使用基于计算机的自动诊断方法实现。最显著的是，传输电子显微镜(TEM)图像的分析已被证明在即时病毒识别方面相当成功。本文基于来自最近发布数据集的 TEM 图像，提出一种深度学习分类模型，用于正确识别图像中的病毒类型。本研究的方法包括两种连贯的图像处理技术，以减少原始显微镜图像中的噪声。实验结果表明，该方法能够在数据集中包含的14种病毒类型中进行区分，最高可达97.44%的分类准确率和 F1 分数，这凸显了该方法的有效性和可靠性。实施此方案将为病毒识别提供一种快速可靠的方式，辅助严格的诊断程序。
引用
@article{arxiv.2405.15563,
title = {Heterogeneous virus classification using a functional deep learning model based on transmission electron microscopy images (Preprint)},
author = {Niloy Sikder and Md. Al-Masrur Khan and Anupam Kumar Bairagi and Mehedi Masud and Jun Jiat Tiang and Abdullah-Al Nahid},
journal= {arXiv preprint arXiv:2405.15563},
year = {2024}
}