[论文解读] A Comprehensive Review of Image Analysis Methods for Microorganism Counting: From Classical Image Processing to Deep Learning Approaches

Jiawei Zhang, Chen Li+7 more|arXiv (Cornell University)|Mar 25, 2021

Cell Image Analysis Techniques参考文献 128被引用 12

一句话总结

本文全面回顾了从经典图像处理到深度学习技术的微生物计数图像分析方法。评估了包括阈值分割、边缘检测和深度学习在内的分割方法，突出显示深度学习在准确性和未来集成到全自动端到端微生物计数系统方面的优势。

ABSTRACT

Microorganisms such as bacteria and fungi play essential roles in many application fields, like biotechnique, medical technique and industrial domain. Microorganism counting techniques are crucial in microorganism analysis, helping biologists and related researchers quantitatively analyze the microorganisms and calculate their characteristics, such as biomass concentration and biological activity. However, traditional microorganism manual counting methods, such as plate counting method, hemocytometry and turbidimetry, are time-consuming, subjective and need complex operations, which are difficult to be applied in large-scale applications. In order to improve this situation, image analysis is applied for microorganism counting since the 1980s, which consists of digital image processing, image segmentation, image classification and suchlike. Image analysis-based microorganism counting methods are efficient comparing with traditional plate counting methods. In this article, we have studied the development of microorganism counting methods using digital image analysis. Firstly, the microorganisms are grouped as bacteria and other microorganisms. Then, the related articles are summarized based on image segmentation methods. Each part of the article is reviewed by methodologies. Moreover, commonly used image processing methods for microorganism counting are summarized and analyzed to find common technological points. More than 144 papers are outlined in this article. In conclusion, this paper provides new ideas for the future development trend of microorganism counting, and provides systematic suggestions for implementing integrated microorganism counting systems in the future. Researchers in other fields can refer to the techniques analyzed in this paper.

研究动机与目标

• 系统回顾并分类1980年至2020年期间用于微生物计数的图像分析方法。
• 识别图像预处理、分割和分类技术中的技术趋势与共性。
• 评估经典方法与基于深度学习的方法在微生物分割和计数中的性能与局限性。
• 为基于深度学习构建集成化、自动化微生物计数系统提供基础。
• 通过识别未充分探索的领域（如深度学习在分割而非仅分类中的应用）来指导未来研究。

提出的方法

• 本文对144项以上使用数字图像分析进行微生物计数的研究进行了系统性文献综述。
• 根据微生物类型（细菌与其它微生物）和分割技术（阈值法、边缘检测、第三方工具（如ImageJ、CellC）以及深度学习）对方法进行分类。
• 分析经典图像处理技术（如Otsu阈值法、分水岭分割和Canny边缘检测）的应用及其局限性。
• 评估深度学习模型（包括U-Net变体和自适应空洞卷积网络）在提升分割精度方面的能力。
• 综述包含性能指标（如平均绝对误差（MAE）和分割准确率），并报告了部分研究的具体结果。
• 分析强调了从人工计数向自动化计数的转变，以及深度学习在实现高精度、可扩展解决方案中的作用。

实验结果

研究问题

• RQ1 从经典图像处理到深度学习，微生物计数中的图像分析技术如何演变？
• RQ2 在复杂或噪声较多的显微图像中，针对不同类型微生物，最有效的分割方法是什么？
• RQ3 尽管深度学习在其他图像分析任务中表现优异，为何其在分割中的应用仍被低估？
• RQ4 当前微生物计数系统在真实场景和大规模应用中存在哪些关键技术空白与局限性？
• RQ5 如何通过整合采样、成像与深度学习的系统，实现实时、精确的临床与工业环境中微生物监测？

主要发现

• 基于深度学习的分割方法在准确性和鲁棒性方面优于经典技术，尤其适用于小型或重叠的微生物。
• 自适应空洞卷积网络在微生物计数中实现了66.5的平均绝对误差（MAE），表明其在处理尺度变化方面具有改进能力。
• 尽管深度学习在分类任务中取得成功，其在分割中的应用仍有限，显示出显著的研究机遇。
• 经典方法如Otsu阈值法和分水岭算法虽为基础，但在复杂或高密度显微图像中常失效。
• ImageJ和CellC是广泛使用的工具，反映出人们对自动化微生物计数系统日益增长的兴趣。
• 综述识别出将微生物计数技术应用于其他小目标检测任务（如精子、人群和车辆计数）的强劲潜力。