Classification of fungal genera from microscopic images using artificial intelligence

卷积神经网络 人工智能 计算机科学 模式识别(心理学) 深度学习 鉴定(生物学) 生物 植物
作者
Md Arafatur Rahman,Madelyn Clinch,Jordan Reynolds,Bryan Dangott,Diana M. Meza Villegas,Aziza Nassar,D Jane Hata,Zeynettin Akkus
出处
期刊:Journal of pathology informatics [Medknow Publications]
卷期号:14: 100314-100314 被引量:8
标识
DOI:10.1016/j.jpi.2023.100314
摘要

Microscopic image examination is fundamental to clinical microbiology and often used as the first step to diagnose fungal infections. In this study, we present classification of pathogenic fungi from microscopic images using deep convolutional neural networks (CNN). We trained well-known CNN architectures such as DenseNet, Inception ResNet, InceptionV3, Xception, ResNet50, VGG16, and VGG19 to identify fungal species, and compared their performances. We collected 1079 images of 89 fungi genera and split our data into training, validation, and test datasets by 7:1:2 ratio. The DenseNet CNN model provided the best performance among other CNN architectures with overall accuracy of 65.35% for top 1 prediction and 75.19% accuracy for top 3 predictions for classification of 89 genera. The performance is further improved (>80%) after excluding rare genera with low sample occurrence and applying data augmentation techniques. For some particular fungal genera, we obtained 100% prediction accuracy. In summary, we present a deep learning approach that shows promising results in prediction of filamentous fungi identification from culture, which could be used to enhance diagnostic accuracy and decrease turnaround time to identification.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
kimon完成签到,获得积分10
1秒前
1秒前
李若风发布了新的文献求助10
1秒前
务实紫真完成签到,获得积分10
1秒前
深情安青应助psj采纳,获得10
1秒前
你说的完成签到 ,获得积分10
3秒前
Akim应助zxvcbnm采纳,获得10
3秒前
深情秋刀鱼完成签到,获得积分10
3秒前
4秒前
我是老大应助Mrivy采纳,获得10
5秒前
5秒前
雨兔儿完成签到,获得积分10
6秒前
王润完成签到,获得积分10
6秒前
夏天完成签到,获得积分10
6秒前
lisa完成签到,获得积分10
6秒前
hg发布了新的文献求助10
6秒前
呆呆发布了新的文献求助10
7秒前
fmwang完成签到,获得积分10
8秒前
yongkun发布了新的文献求助10
8秒前
8秒前
ttt完成签到,获得积分10
8秒前
ming发布了新的文献求助10
8秒前
王金金发布了新的文献求助10
8秒前
9秒前
风趣访卉完成签到,获得积分10
9秒前
榴莲完成签到,获得积分10
9秒前
9秒前
zhang005on发布了新的文献求助10
10秒前
10秒前
斯文败类应助黎小静采纳,获得10
12秒前
英俊的铭应助王金金采纳,获得10
12秒前
更深的蓝911完成签到,获得积分20
14秒前
13508104971发布了新的文献求助10
14秒前
14秒前
大模型应助yl采纳,获得10
14秒前
psj发布了新的文献求助10
15秒前
马蹄发布了新的文献求助10
15秒前
WWXWWX应助style_fire采纳,获得10
16秒前
加油完成签到 ,获得积分10
16秒前
Leonardi应助guoxingliu采纳,获得200
17秒前
高分求助中
Sustainability in Tides Chemistry 2800
The Young builders of New china : the visit of the delegation of the WFDY to the Chinese People's Republic 1000
Rechtsphilosophie 1000
Bayesian Models of Cognition:Reverse Engineering the Mind 888
Le dégorgement réflexe des Acridiens 800
Defense against predation 800
A Dissection Guide & Atlas to the Rabbit 600
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3134302
求助须知:如何正确求助?哪些是违规求助? 2785212
关于积分的说明 7770748
捐赠科研通 2440808
什么是DOI,文献DOI怎么找? 1297536
科研通“疑难数据库(出版商)”最低求助积分说明 624987
版权声明 600792