文摘
曼氏裂体吸虫是最大的热带疾病之一,世界上流行达到。世卫组织的指导方针之一是之前为映射疫源地和应用适当的和有效的诊断治疗的感染者。当前进程的诊断仍取决于分析寄生虫学的考试由实验室显微镜下一个人。在图像模式识别领域的出现作为一个有前途的替代支持和基于图像的自动化考试,和深度学习技术已经成功地应用到这一目的。为了使这个过程自动化,提出了工作的应用深度学习方法检测血吸虫病的鸡蛋,和两个深之间的比较是学习技术,卷积神经网络(CNN)和结构化锥体神经网络(SPNN)。获得的结果在一个真正的数据库表明血吸虫卵的识别是有效的技术,获得的AUC(曲线下的面积)0.90以上,CNN的优势在这方面。。然而,SPNN被证明超过了CNN。
1。介绍
血吸虫病是一种世界上最被忽视的热带病流行,据世界卫生组织(世卫组织)(1]。血吸虫病是目前在76个国家在非洲、东地中海,西太平洋和美洲。据估计,有2亿人感染这种疾病,5亿人暴露于风险领域2]。在阿拉伯地区,估计数量的个体感染血吸虫病是250万人,但这个数字可以达到650万由于缺乏诊断或映射的一些流行地区3,4]。目前仍缺乏研究,进行映射更流行地区。最近的研究领域研究人员使用地标数据映射在东北地区血吸虫病的流行,更确切地说在沿海地区的Schaap et al。4]。根据伦敦宣言的定义,对抗血吸虫病,根据伦敦的定义声明(5),包括寻找新的疾病的诊断和映射技术,易于使用,可靠,低成本的患者监测和识别。,目的是观察这个流行的新兴的行为。计算技术和新的临床分析技术已经广泛用于支持决策在医学领域和检测各种疾病在医学图像考试。曼氏裂体吸虫(6)是感染血吸虫引起的(曼氏裂体吸虫),一个扁形虫蠕虫,人类和一些有袋哺乳动物的寄生虫,使用门静脉,负责静脉血液从各种器官,肝脏为成人蠕虫的传播。疾病的诊断是由检查寄生虫从粪便收集的负载。过程检测和计数的鸡蛋样本,Kato-Katz方法(7),目前被认为是黄金标准蛋数和叶片的蛋准备。后准备,执行一个分析使用光学显微镜物镜的放大倍数100倍。血吸虫病的计数鸡蛋样本中决定了负载和寄生虫感染的程度的个体。整个过程由人工手动执行。实验室技术员寻找鸡蛋的以下特征:脊柱侧(针状物),不规则的椭圆形的形状与两个膜包围,和测量长度115毫米和65毫米宽。图1显示图像的寄生虫学的考试曼氏裂体吸虫蛋发现,图中标识的黑色矩形边界(8]。
nonendemic SM地区的卫生专业人员工作,这个实体的诊断通常可以不记得,事实上,一个彻底的记忆,包括历史地理信息,可能被污染的水或食物,沐浴在蜗牛的池塘,和流行地区的旅程。症状和体征的出现急性感染症状(尤其是尾蚴的皮炎和片热),体检结果,为SM的推定诊断是必不可少的元素。病人的自然欣赏相关的图片。从城市或未受影响的地区的人,从来没有接触美国曼因此,谁是缺乏免疫力,经常有急性发作的病态条件与过敏症状条件。SM的急性形式是密切相关的生态旅游和恶劣的卫生条件。相比之下,居住在流行地区通常不表现出急性期的表现(7,8]。
无疑,有必要改善的技术使用,倾向于注意,减少寄生负载的患病率。重要的是要注意,容易识别的两个鸡蛋美国曼不可能是假阳性结果。另一方面,直接的示范技术的灵敏度相对较低的进化形式的寄生虫可以通过细化,增加减毒的概率被发现在他们仍然稀缺的材料。经常需要使用多个coproscopic技术。因素的思考,选择常规使用的程序是一个trust-benefit关系;这是机会指出,一些技术成为不必要的麻烦。
这项技术通常用于流行控制程序是加藤和三浦apud Komiya和小林,修改的Katz et al。9)包括使用一个筛除去宏观残留物和测量板来控制检查粪便样品的体积。定量数据可以获得的鸡蛋每克粪便(功能)或被称为Kato-Katz法。它通过世界卫生组织推荐的,不同的作者,其中莫特,就业控制程序曼氏裂体吸虫。以前,阿卜杜拉•哈马德et al .莫利纳Coura和主力,Dantas本人交出密码和费雷拉7)讨论的优点和缺点coproscopic诊断的其他技术美国曼。
深度学习技术通常实现为人工神经网络,而不是在他们的建筑由几个层次层,最近被广泛探讨,与重要的成功率在图像模式识别领域的卫生区域。考虑最近成功的这些技术,目前的研究提出了他们的应用程序,以隐式提取鸡蛋血吸虫病的重要特点,针对他们的自动诊断。
1.1。理论工作
1.1.1。卷积神经网络(CNN)
卷积神经网络(CNN) (10)是一个前馈网络。他们通常有以下层架构:卷积层,二次抽样层(或池),和致密层(或完全连接),可以以不同的方式安排根据问题解决。
卷积层负责传播数据输入和共享用下面的连接层的权重。每个神经元与少量的输入向量,即,一个小的特定区域,拥有相似的人类视觉系统接受字段。不同的神经元在卷积层占输入数据向量的不同区域,输入信号的重叠来获得一个更好的表示。卷积层分组的节点特征图谱与共享的重量与每一层的输入作为过滤器。这个重量共享显著减少网络参数的数量,增加效率和模型的泛化能力。这些卷积层非线性激活函数来捕获更复杂的输入向量的属性。
二次抽样层,也称为池、段前一层的输入分成更小的组,减少输出小变化的敏感性和细微差别的数据输入。一般来说,一个最大或平均函数应用于二次抽样层的输入数据以避免变化如前所述。
最后,致密层,也被称为完全连接,应用作为活化层分类过程的输入设置模式。
训练一个CNN类似于其他简单技术的人工神经网络11),那里有一个最小化的损失函数使用梯度下降和误差反向传播。开发一种新的CNN对特定问题不是微不足道的,鉴于依赖每一层的配置和各种参数的问题。
一些合并CNN架构已经应用于图像识别问题,如CifarNet AlexNet, GoogleLeNet。CifarNet被选在这个工作,考虑到结构的简单性,产生较少的努力定义参数。
1.1.2。SPNN(结构化锥体神经网络)
SPNN [12是受锥体神经网络(PyraNet) [13),进而被bioinspired接受人类的视觉领域的概念。比利牛斯山脉有两套层:2 d图层组和一组1 d层。在第一组2 d层,每个神经元都安排在一个矩阵,其中每个神经元与一个地区的前任层,称为接受域。在PyraNet,这些接受字段有固定的大小,和2 d层形成一个金字塔。第一层的2 d组,金字塔的底部,负责接收网络上的输入图像。另2 d层负责执行隐式提取输入图像的特性,减少模型的维数。组1 d层之上的金字塔的结构进行分类的基础上,由前任层特征提取。SPNN灵感来源于PyraNet和SOM网络(自组织映射)和自适应体系结构,使固定的接受域的概念更灵活。这些特点,SPNN技术大大减少了参数的数量和所需的资源来实现一个好的检出率。构造不规则接受字段,SPNN使用概率地图生成的输入图像,以确定接受的点云领域。接受域的构造感兴趣的区域,SPNN使用德劳内三角(9]。k - means聚类算法组从这些地区感兴趣的点,尽量减少在未来层神经元的数目。这个过程重复以下层直到最后一层只使用一个神经元。通过这种简单的架构,SPNN在以前作品(取得可喜的成果14相比,更需要大量的计算技巧,如CNN和SVM(支持向量机)。SPNN训练遵循相同的训练和其他人工神经网络模型,作为cnn的呈现。
2。方法
这项工作的目的是适应两个深度学习模型,CNN和SPNN应用程序的检测曼氏裂体吸虫鸡蛋真实图像的基础上。在以前的作品(14,15),其他经典的技术,如Haar-like和演算法应用于血吸虫病的检测鸡蛋。获得了大约80%的准确性;这个值被用作参考测试中执行这项工作的方法获取和平衡中使用的图像基础模型的验证。本节介绍了实验装置,图像预处理方法,所使用的描述图像的基础,初步研究SPNN性能的影响参数。
2.1。实验安排
比较分析,三十每个提出的技术的模拟进行,除了收敛性研究,以确定所需的次数。CifarNet卷积神经网络结构选择和实现的CNN实验,因为它适用于问题涉及分类与几类和低分辨率的图像。与其他技术相比,如AlexNet和GoogleLeNet,案例类型的低复杂度和更好的性能问题。
CifarNet参数跟随他们的规范定义。卷积三层,03(三)二次抽样层,定义和01(1)致密层,与ReLU(修正线性单元)被用作一个激活函数的卷积层和致密层的物流乙状结肠。CifarNet实施使用Keras库(16与后端支持TensorFlow []14]。SPNN具有显著的结果在检测模式相比,图像和类似的准确性更巩固技术如CNN和支持向量机,提出作为Chaganti et al。17]。因为它有一些网络配置参数和之前一直在评估使用不同的配置在不同的基地,这是决定评估每个参数的影响和影响血吸虫病之前定义的图像基础最好的架构。分析的最佳配置SPNN参数化,点确定点云的数量和神经元的数量在第一锥体层进行评估。由于SPNN训练时间明显短相比,CNN, SPNNs也是测试的一个委员会架构,05年(5)独立训练的网络使用平均参考和决策。
所有的测试是一个EC2实例上执行(弹性云计算)的AWS (Amazon Web Services) Octacore英特尔至强e - 2676 2.4 GHz服务器,16 (16)GB的RAM和01 (a) 80 GB的SSD硬盘。所有模型的实现是实现多线程支持针对并行开发的核心服务器的处理器。
并给出了性能测试的配置使用ROC(接受者操作特征)曲线与真实的速度积极的误报率。ROC曲线的准确性取决于它的AUC(曲线下的面积)。对于这个数据库,真阳性率代表了血吸虫病发现鸡蛋的数量在总数据库中的正面形象。以及假阳性比率代表的工件数量不正确检测并给出积极的,除以数量的负面形象的基础。
2.2。数据准备和图像基本描述
目前的执行工作之前,没有公共血吸虫病图片银行中可用文献进行评估。在工作由Ivašić-Kos et al。18),schisto系统建成,血吸虫病鸡蛋放在实验室的图像采集软件幻灯片。在合作的作者schisto系统,选择细胞系统,作为一个进化的先前的研究工作。这个平台能够执行寄生虫的检测图像考试,除了分割获得的图像感兴趣的对象。选择细胞允许您创建新的图像银行执行的考试。
如图2,系统通过边界框选择感兴趣的对象,验证系统的诊断后,生成一个图像。与对象的坐标位置与一个日志文件,负责存储这些信息。使用这些图片和包含对象的位置信息的日志文件,一个Python脚本开发段图像分成两组:积极的和消极的。血吸虫病的正面形象考虑鸡蛋和负面形象考虑背景图像和包含其他工件的原始图像。建设银行形象的实验包括这些分割图像。三百一十三年正面形象(包括一个或多个血吸虫病鸡蛋图像)和1048负面形象从选择中提取细胞系统,与原来的分辨率为320×240像素。提取之后,对象分割技术应用,积极的15754张图片的对象生成一个基地。负面形象基础也是平衡的,包含15754张图片。28日×28日的决议对所有对象的基础,除了将所有图像转换为灰度。交叉验证,k-fold技术应用于验证模型的推广应用,将它分成两组:训练和测试。 The training set is composed of 11029 positive images and 11029 negative images. The test set included 4725 positive and 4725 negative images.
2.3。SPNN参数的影响
在实验开始之前,SPNN参数的影响进行了评估,以确定哪些配置将CifarNet相比(CNN)技术。某些配置的神经元在第一个锥体层(N1)和初始点的数量的点云(NP)经验的定义。神经元的数量是不同的从03年到40和60到140的点云是多样的,如图3。配置与03第一锥体神经元层和60点的点云获取最好的结果。威尔科克斯进行了统计检验 ,配置与60点的点云。比较没有统计学意义。因此,所有SPNN分析采用了配置与03年在第一锥体神经元层和点云60点,降低了实现的复杂度和计算成本。
3所示。结果和方法
对于每个模型,融合研究的函数迭代的数量。模型运行50,100年、150年和200年的迭代。CifarNet迅速聚集,所有提出的迭代结果是相似的。尽管提出了与150次迭代平均AUC为0.965,与200次迭代模型执行时发现更大的稳定性和平均AUC为0.955,如图4。
重要的是要注意,即使200次迭代,模型提出了离群值,表明不稳定的技术应用到图像的实验。SPNN稳定与平均100次迭代后AUC为0.911。
即便如此,它获得了平均AUC为0.913 200次迭代,如图5。重要的是要强调这个模型后,达到收敛的稳定性。
(一)
(b)
(c)
平均价值发现的模型作为一个函数的迭代次数,如图所示5。
在执行30模拟之后,以200为每个模拟迭代,CNN获得平均AUC为0.955,而获得的SPNN AUC米平均为0.913。由于显著的培训和评估时间短的SPNN相比的CNN, 5的配置组成的一个委员会经验定义SPNNs也是测试来验证是否有再一次AUC。测定的准确性SPNNs委员会决定通过。如图3这获得了和SPNNs委员会获得平均AUC为0.942。图6显示了SPNN auc获得的箱线图,5 SPNNs, CNN委员会。可以验证,尽管有较高的平均价值AUC, CNN提供了一个更大数量的异常值相比SPNN SPNNs委员会。SPNN委员会显示CNN相比更加稳定。
3.1。美国有线电视新闻网(CifarNet)和SPNN委员会
图3显示了深度学习模型的训练时间,SPNN,与5 SPNNs委员会,和CNN,考虑30模拟。可以看出SPNN和委员会5 SPNNs比CNN快20倍和2.53倍,分别。
4所示。结论和未来的工作
一些关于应用贡献的工作深度学习技术可以突出显示。CNN和SPNN呈现结果的精度比目前更高参考技术应用于血吸虫病的诊断。
CifarNet CNN模型分析,广泛用于文学在图像模式识别的应用,获得了有关精度的检测鸡蛋图像的实验。尽管不稳定,收敛的速度是积极因素有关的应用这种技术的实验。
SPNN,技术适用于检测模式的图像,展示出了有前景的结果,获得更大的稳定性与CNN。因为它获得了更好的性能在训练和验证与CNN相比,一个实验的实现考虑一个委员会5 SPNNs保证准确性和更大的稳定性增加,即使与一个简单的配置SPNN和CNN。
由于技术的简单性和较低的计算成本,SPNNs,当用于一个委员会,相关特征嵌入在一些低成本技术。,可以使用技术大规模检测血吸虫病,这将满足的需求的年目标的根除这种疾病。
未来工作的建议是两种技术的深化研究关于其他参数或网络体系结构的定义和观察,如果有可能提高精度。还有一个需要比较与其他具有非模型的技术评估,如支持向量机,进行更全面的研究这个应用程序。它仍然需要研究这些技术的性能和适用性为实现在嵌入式系统中,旨在开发一些支持工具的改进临床分析过程。在血吸虫病的检测,另一种可能是扩大该技术检测其他geohelminthoses和被忽视的疾病,验证模型的泛化使用。
数据可用性
使用的数据来支持本研究的结果包括在本文中。
的利益冲突
作者宣称没有利益冲突。