[论文解读] Parasitic Egg Detection and Classification in Low-cost Microscopic Images using Transfer Learning

Thanaphon Suwannaphong, Sawaphob Chavana+4 more|arXiv (Cornell University)|Jul 2, 2021

Digital Imaging for Blood Diseases被引用 11

一句话总结

本文提出一种基于迁移学习的CNN框架，结合AlexNet与ResNet50，用于检测和分类使用低成本USB显微镜拍摄的低质量显微图像中的寄生虫卵。通过采用基于图像块的滑动窗口方法，该方法在具有挑战性的低倍率图像上优于当前最先进的目标检测技术，实现了在资源有限环境中的精确诊断。

ABSTRACT

Intestinal parasitic infection leads to several morbidities to humans worldwide, especially in tropical countries. The traditional diagnosis usually relies on manual analysis from microscopic images which is prone to human error due to morphological similarity of different parasitic eggs and abundance of impurities in a sample. Many studies have developed automatic systems for parasite egg detection to reduce human workload. However, they work with high quality microscopes, which unfortunately remain unaffordable in some rural areas. Our work thus exploits a benefit of a low-cost USB microscope. This instrument however provides poor quality of images due to limitation of magnification (10x), causing difficulty in parasite detection and species classification. In this paper, we propose a CNN-based technique using transfer learning strategy to enhance the efficiency of automatic parasite classification in poor-quality microscopic images. The patch-based technique with sliding window is employed to search for location of the eggs. Two networks, AlexNet and ResNet50, are examined with a trade-off between architecture size and classification performance. The results show that our proposed framework outperforms the state-of-the-art object recognition methods. Our system combined with final decision from an expert may improve the real faecal examination with low-cost microscopes.

研究动机与目标

• 解决在低成本USB显微镜拍摄的低质量显微图像中准确检测寄生虫卵的挑战。
• 减少在农村及资源匮乏的热带地区对高端显微镜的依赖。
• 开发一种基于迁移学习的稳健、自动化的寄生虫卵分类系统。
• 通过克服图像质量限制及不同虫卵物种之间的形态相似性，提升诊断准确率。

提出的方法

• 采用基于图像块的滑动窗口技术，从低分辨率显微图像中提取候选区域。
• 应用迁移学习，使用预训练的CNN模型——AlexNet和ResNet50——在自建寄生虫卵数据集上进行微调。
• 该框架处理图像块，以定位和分类粪便样本中的寄生虫卵。
• 通过标准指标（如精确率、召回率和F1值）在低质量图像测试集上评估性能。
• 提出一种结合专家输入的最终决策融合方法，以提升实际诊断中的可靠性。
• 通过比较较小的（AlexNet）和更深的（ResNet50）网络架构，在模型复杂度与准确率之间实现平衡。

实验结果

研究问题

• RQ1 迁移学习是否能有效提升在低成本显微镜拍摄的低质量图像中寄生虫卵的分类性能？
• RQ2 在图像分辨率较差的情况下，基于图像块的滑动窗口方法在定位寄生虫卵方面的表现如何？
• RQ3 在低分辨率图像中，AlexNet与ResNet50在检测和分类寄生虫卵方面的性能对比如何？
• RQ4 所提出的系统在多大程度上能够减少人工诊断肠道寄生虫时的错误？
• RQ5 将专家决策与自动化系统结合，是否能提升实际应用场景中的诊断准确率？

主要发现

• 所提出的系统在低成本USB显微镜拍摄的低质量显微图像上，优于当前最先进的目标检测方法。
• 由于更深的网络结构和更优的特征表示能力，ResNet50的分类准确率高于AlexNet。
• 尽管放大倍数较低（10倍）且存在图像噪声，基于图像块的滑动窗口方法仍成功实现了寄生虫卵的定位。
• 该系统对不同寄生虫卵物种之间存在的形态相似性表现出良好的鲁棒性。
• 将专家验证与自动化结果结合，显著提升了实际粪便检查工作流程中的诊断可靠性。
• 由于其高效性及与低成本成像硬件的兼容性，该框架适用于在资源匮乏环境中部署。