[论文解读] I-Nema: A Biological Image Dataset for Nematode Recognition

Xuequan Lu, Yihao Wang+2 more|arXiv (Cornell University)|Mar 15, 2021

Parasite Biology and Host Interactions参考文献 39被引用 9

一句话总结

本文介绍了 I-Nema，这是首个公开可用的线虫识别生物图像数据集，包含来自自然环境和实验室环境的19种不同线虫物种的2,769张图像。该研究利用最先进的深度学习模型建立了基准，使用ResNet101和数据增强技术实现了最高79.0%的整体准确率，突显了由于形态变异和数据有限带来的物种识别挑战。

ABSTRACT

Nematode worms are one of most abundant metazoan groups on the earth, occupying diverse ecological niches. Accurate recognition or identification of nematodes are of great importance for pest control, soil ecology, bio-geography, habitat conservation and against climate changes. Computer vision and image processing have witnessed a few successes in species recognition of nematodes; however, it is still in great demand. In this paper, we identify two main bottlenecks: (1) the lack of a publicly available imaging dataset for diverse species of nematodes (especially the species only found in natural environment) which requires considerable human resources in field work and experts in taxonomy, and (2) the lack of a standard benchmark of state-of-the-art deep learning techniques on this dataset which demands the discipline background in computer science. With these in mind, we propose an image dataset consisting of diverse nematodes (both laboratory cultured and naturally isolated), which, to our knowledge, is the first time in the community. We further set up a species recognition benchmark by employing state-of-the-art deep learning networks on this dataset. We discuss the experimental results, compare the recognition accuracy of different networks, and show the challenges of our dataset. We make our dataset publicly available at: https://github.com/xuequanlu/I-Nema

研究动机与目标

• 解决缺乏公开可用、涵盖自然发生和实验室培养线虫物种的多样化线虫图像数据集的问题。
• 克服基于深度学习的线虫物种识别缺乏标准化基准的现状。
• 通过一个精心筛选、开放获取的数据集，支持害虫防治、土壤生态学、生物地理学和三维建模等领域的研究。
• 在具有挑战性的现实世界生物成像任务上，利用最先进的CNN架构建立可重复的基准。
• 鼓励未来开发针对线虫形态特征和表型可塑性的先进深度学习技术。

提出的方法

• 通过从多种生态系统（包括温带森林、苔原和农田）进行实地采样收集数据，随后进行人工线虫分离和基于显微镜的成像。
• 每条线虫均使用显微成像系统在载玻片上单独成像，确保每张图像仅包含一条线虫，以减少歧义。
• 物种标签通过专家人工鉴定分配，尽管存在形态可塑性，但仍确保了高标注准确性。
• 该数据集包含17种野外捕获的物种和2种实验室培养的物种（如C. elegans），涵盖多种生活策略，包括植物寄生、捕食性和细菌食性类型。
• 采用ResNet34、ResNet50和ResNet101架构建立基准，训练过程采用三种数据增强策略：无增强、随机翻转，以及结合随机翻转与高斯模糊的增强。
• 使用ImageNet进行预训练作为初始化，以提升收敛速度和性能，并通过平均类别准确率和整体准确率进行评估。

实验结果

研究问题

• RQ1 最先进的深度学习模型在具有真实世界形态变异的多样化、公开获取的线虫图像数据集上的表现如何？
• RQ2 不同的数据增强策略（如随机翻转、高斯模糊）如何影响线虫物种识别的分类准确率？
• RQ3 在低资源生物成像任务中，ImageNet预训练在多大程度上提升了深度学习模型的性能？
• RQ4 在相同的训练协议下，不同ResNet架构（34、50、101）在分类线虫物种方面的表现如何比较？
• RQ5 在即使使用先进深度学习模型的情况下，线虫物种识别面临的主要挑战是什么，导致性能受限？

主要发现

• 在使用ResNet101并结合随机翻转与高斯模糊增强的条件下，实现了最高的79.0%整体准确率。
• 在完整增强设置下，ResNet101实现了69.6%的平均类别准确率和79.0%的整体准确率，优于其他模型。
• 与从零开始训练相比，ImageNet预训练显著提升了性能，证明其在低数据场景下的价值。
• 与仅使用随机翻转相比，增加高斯模糊增强进一步提升了准确率，表明对图像噪声的鲁棒性有助于泛化能力。
• 即使使用先进的模型和增强技术，最大准确率仍低于80%，表明由于形态可塑性和种间细微差异，挑战依然存在。
• 该数据集和基准已公开发布于 https://github.com/xuequanlu/I-Nema，支持可重复研究和未来模型开发。