[论文解读] Localization and Classification of Parasitic Eggs in Microscopic Images Using an EfficientDet Detector

Nouar AlDahoul, Hezerul Abdul Karim+2 more|arXiv (Cornell University)|Aug 3, 2022

Digital Imaging for Blood Diseases被引用 4

一句话总结

本文提出了一种基于多模态 EfficientDet 的检测器，采用 EfficientNet-v2 主干网络，用于在 11 种类别的显微镜图像中定位和分类寄生虫卵。该模型在新创建的包含 11,000 张图像的 Chula-ParasiteEgg-11 数据集上进行训练，取得了 92% 的准确率和 93% 的 F1 分数，表明在低资源环境下自动化寄生虫卵检测具有出色的定位与分类性能。

ABSTRACT

IPIs caused by protozoan and helminth parasites are among the most common infections in humans in LMICs. They are regarded as a severe public health concern, as they cause a wide array of potentially detrimental health conditions. Researchers have been developing pattern recognition techniques for the automatic identification of parasite eggs in microscopic images. Existing solutions still need improvements to reduce diagnostic errors and generate fast, efficient, and accurate results. Our paper addresses this and proposes a multi-modal learning detector to localize parasitic eggs and categorize them into 11 categories. The experiments were conducted on the novel Chula-ParasiteEgg-11 dataset that was used to train both EfficientDet model with EfficientNet-v2 backbone and EfficientNet-B7+SVM. The dataset has 11,000 microscopic training images from 11 categories. Our results show robust performance with an accuracy of 92%, and an F1 score of 93%. Additionally, the IOU distribution illustrates the high localization capability of the detector.

研究动机与目标

• 为解决低收入和中等收入国家（LMICs）中人工寄生虫卵检测存在的诊断错误和效率低下问题。
• 开发一种自动化、快速且准确的系统，用于在显微镜图像中定位和分类寄生虫卵。
• 提出一种基于 EfficientDet 和 EfficientNet-v2 的新型多模态学习检测器，以提升寄生虫卵识别性能。
• 在新整理的数据集 Chula-ParasiteEgg-11 上评估模型，该数据集包含 11,000 张图像，涵盖 11 种寄生虫卵类别。

提出的方法

• 所提出的方法采用带有 EfficientNet-v2 主干网络的 EfficientDet 检测器进行特征提取和目标检测。
• 在特征金字塔网络（FPN）中应用多尺度特征融合，以增强对小型寄生虫卵的检测能力。
• 使用多标签分类头在 Chula-ParasiteEgg-11 数据集上端到端训练模型，涵盖 11 种寄生虫卵类别。
• 还评估了一个基于 EfficientNet-B7 与 SVM 的辅助基线模型，以进行性能对比。
• 应用数据增强技术，以提升在多样化显微镜图像条件下的泛化能力和鲁棒性。
• 使用交并比（IoU）评估定位准确性，分布分析显示边界框预测具有高精度。

实验结果

研究问题

• RQ1 基于深度学习的检测器是否能在多样化的显微镜图像中实现高准确率和鲁棒的定位性能，以识别寄生虫卵？
• RQ2 与 EfficientNet-B7+SVM 等替代模型相比，采用 EfficientNet-v2 的 EfficientDet 在寄生虫卵分类中的表现如何？
• RQ3 所提出的多模态检测器在 Chula-ParasiteEgg-11 数据集中 11 种不同寄生虫卵类别上的泛化能力如何？
• RQ4 检测器的定位能力如何？通过预测边界框的 IoU 分布进行衡量。

主要发现

• 所提出的基于 EfficientNet-v2 主干网络的 EfficientDet 模型在 Chula-ParasiteEgg-11 数据集上实现了 92% 的分类准确率。
• 该模型在所有 11 种寄生虫卵类别中均表现出 93% 的 F1 分数，表明精确率与召回率之间具有良好的平衡。
• IoU 分布分析证实了高定位准确性，大多数预测结果落在高 IoU 阈值范围内。
• 该模型在准确率和 F1 分数上均优于 EfficientNet-B7+SVM 基线模型，验证了检测器架构的有效性。
• 结果表明，由于其速度、准确性和鲁棒性，该方法适用于在低资源诊断环境中部署。