Localization and Classification of Parasitic Eggs in Microscopic Images Using an EfficientDet Detector

要約

原虫や蠕虫の寄生によって引き起こされるIPIは、LMICsにおけるヒトの最も一般的な感染症の一つです。寄生虫は、さまざまな健康被害をもたらすことから、公衆衛生上の重大な懸念とみなされています。研究者たちは、顕微鏡画像内の寄生虫卵を自動的に識別するためのパターン認識技術を開発してきました。しかし、診断ミスを減らし、高速かつ効率的で正確な結果を得るためには、既存の手法にまだ改良の余地があります。本論文ではこれを解決し、寄生虫の卵を局在化し、11のカテゴリーに分類するためのマルチモーダル学習検出器を提案する。実験は、EfficientNet-v2バックボーンを持つEfficientDetモデルとEfficientNet-B7+SVMの両方の学習に使用した、新規のChula-ParasiteEgg-11データセットに対して行われた。このデータセットには、11種類のカテゴリからなる11,000枚の顕微鏡画像が含まれています。その結果、精度は92%、F1スコアは93%と、堅牢な性能を示しました。また、IOU分布は検出器の高い位置特定能力を示しています。

要約(オリジナル)

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.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL