Deep-learning Assisted Detection and Quantification of (oo)cysts of Giardia and Cryptosporidium on Smartphone Microscopy Images

要約

微生物に汚染された食品や水の摂取は、毎年何百万人もの人々の命を奪っています。
スマートフォンベースの顕微鏡システムは、従来の明視野顕微鏡よりもポータブルで低コストで、ジアルジア属およびクリプトスポリジウムの検出に利用しやすい代替手段です。
ただし、スマートフォンの顕微鏡からの画像はノイズが多く、訓練を受けた技術者による手作業による嚢胞の特定が必要ですが、リソースが限られた設定では通常は利用できません。
深層学習ベースの物体検出を使用した (OO) 嚢胞の自動検出は、この制限に対する解決策を提供する可能性があります。
スマートフォンと野菜サンプルの明視野顕微鏡画像の両方を含むカスタム データセット上でジアルジア属とクリプトスポリジウムの嚢胞を検出する 4 つの最先端の物体検出器のパフォーマンスを評価します。
より高速な RCNN、RetinaNet、You Only Look Once (YOLOv8s)、および Deformable Detection Transformer (Deformable DETR) 深層学習モデルを使用して、その有効性と限界を調査しました。
私たちの結果は、深層学習モデルはスマートフォン顕微鏡画像データセットよりも明視野顕微鏡画像データセットの方が優れたパフォーマンスを発揮する一方で、スマートフォン顕微鏡による予測は依然として非専門家の予測パフォーマンスに匹敵することを示しています。
また、参照 (または標準的な実験室設定) および野菜サンプルで個別に捕捉された、ジアルジア属とクリプトスポリジウムの検出のためのベンチマーク結果を含む明視野およびスマートフォン顕微鏡データセットを一般公開しています。
コードとデータセットは、それぞれ https://github.com/naamiinepal/smartphone_microscopy と https://doi.org/10.5281/zenodo.7813183 で入手できます。

要約(オリジナル)

The consumption of microbial-contaminated food and water is responsible for the deaths of millions of people annually. Smartphone-based microscopy systems are portable, low-cost, and more accessible alternatives for the detection of Giardia and Cryptosporidium than traditional brightfield microscopes. However, the images from smartphone microscopes are noisier and require manual cyst identification by trained technicians, usually unavailable in resource-limited settings. Automatic detection of (oo)cysts using deep-learning-based object detection could offer a solution for this limitation. We evaluate the performance of four state-of-the-art object detectors to detect (oo)cysts of Giardia and Cryptosporidium on a custom dataset that includes both smartphone and brightfield microscopic images from vegetable samples. Faster RCNN, RetinaNet, You Only Look Once (YOLOv8s), and Deformable Detection Transformer (Deformable DETR) deep-learning models were employed to explore their efficacy and limitations. Our results show that while the deep-learning models perform better with the brightfield microscopy image dataset than the smartphone microscopy image dataset, the smartphone microscopy predictions are still comparable to the prediction performance of non-experts. Also, we publicly release brightfield and smartphone microscopy datasets with the benchmark results for the detection of Giardia and Cryptosporidium, independently captured on reference (or standard lab setting) and vegetable samples. Our code and dataset are available at https://github.com/naamiinepal/smartphone_microscopy and https://doi.org/10.5281/zenodo.7813183, respectively.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google