基于迁移学习的低成本显微图像中寄生虫卵检测与分类
计算机视觉与模式识别
2021-07-05 v1 机器学习
摘要
肠道寄生虫感染在全球范围内导致多种人类疾病，尤其在热带国家。传统诊断通常依赖显微图像的人工分析，由于不同寄生虫卵形态相似且样本中杂质众多，易产生人为误差。许多研究已开发自动系统用于寄生虫卵检测以减轻人力负担。然而，它们使用高质量显微镜，遗憾的是在部分农村地区仍难以负担。因此，我们的工作利用了低成本 USB 显微镜的优势。但该仪器因放大倍数限制（10倍）导致图像质量较差，给寄生虫检测与物种分类带来困难。本文中，我们提出一种基于 CNN 并使用迁移学习策略的技术，以提升劣质显微图像中自动寄生虫分类的效率。采用基于块滑动窗口的技術搜索虫卵位置。考察了 AlexNet 与 ResNet50 两种网络，在架构规模与分类性能间存在权衡。结果表明，我们提出的框架优于当前最优的目标识别方法。我们的系统结合专家的最终判定，可改进使用低成本显微镜的真实粪便检查。
引用
@article{arxiv.2107.00968,
title = {Parasitic Egg Detection and Classification in Low-cost Microscopic Images using Transfer Learning},
author = {Thanaphon Suwannaphong and Sawaphob Chavana and Sahapol Tongsom and Duangdao Palasuwan and Thanarat H. Chalidabhongse and Nantheera Anantrasirichai},
journal= {arXiv preprint arXiv:2107.00968},
year = {2021}
}
备注
7 pages, 9 figures, Preprint submitted to Elsevier