基于卷积神经网络的侵入性酿酒酵母感染疾病的检测方法
Detection of invasive Saccharomyces cerevisiae infections based on convolutional neural network作者机构:江南大学物联网工程学院轻工过程先进控制教育部重点实验室无锡214122 中国科学院沈阳自动化研究所机器人学国家重点实验室沈阳110016
出 版 物:《中国科学:生命科学》 (Scientia Sinica(Vitae))
年 卷 期:2023年第53卷第3期
页 面:408-416页
核心收录:
学科分类:12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 1010[医学-医学技术(可授医学、理学学位)] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术(可授工学、理学学位)] 10[医学]
基 金:国家自然科学基金(批准号:61903157和61833007) 机器人学国家重点实验室联合开放基金(批准号:2021-KF-22-04)资助
主 题:侵入性酿酒酵母感染 卷积神经网络 ResNet-50 SSD算法 目标检测
摘 要:酿酒酵母(Saccharomyces cerevisiae)是常用于烘焙和酿造行业的发酵菌种,也作为益生菌用于预防和治疗各种腹泻及其相关疾病.然而,近二十年来,由于摄入酿酒酵母产生的侵入性酿酒酵母感染的病例一直在不断增加,特别是在老年人、免疫功能低下和危重患者群体中.此外,目前临床上所用酿酒酵母侵入性感染疾病的诊断方法耗时较长,而容易错过最佳的诊断时间和难以实现早期预防.本文提出了一种基于卷积神经网络的目标检测的方法用于对血液中的酿酒酵母细胞进行检测和识别,以达到侵入性酿酒酵母疾病诊断的目的.该方法是基于以ResNet-50网络结构作为特征提取网络构建的SSD算法.以实际采集的血液和酿酒酵母细胞混合液的样本图像作为算法的训练和测试数据,实验结果表明该方法的识别准确率可达到97.70%,检测时间为0.31 s.并且通过与相似的其他3种卷积神经网络算法的测试对比,结果表明该算法识别准确率也有着明显的优势.该论文通过实验验证了,基于卷积神经网络的目标检测方法有望作为侵入性酿酒酵母感染疾病检测和诊断的一种新方法;且该方法检测准确率高和时间短的优势有望实现侵入性酿酒酵母感染疾病的早期预防和及时诊断.