基于扫描电镜图像的可解释深度学习在硬皮马勃科六类真菌孢子分类中的应用

《Scientific Reports》：Explainable deep learning for SEM-based classification of six Sclerodermataceae taxa

　　

摘要

由于形态高度相似且诊断特征存在重叠，准确鉴定近缘真菌物种仍具挑战性。本研究评估了可解释深度学习在六类预定义硬皮马勃科类群图像级分类中的应用，使用扫描电镜（SEM）获取的真菌孢子图像。在标本制备规程下构建了一个包含961张SEM显微图像的原生数据集，涵盖Scleroderma areolatum、S. cepa、S. bovista、S. polyrhizum、S. verrucosum及Pisolithus arhizus。图像预处理包括灰度转换、亮度归一化、直方图均衡化及注释移除。数据集划分为训练集、验证集和测试集，并应用数据增强以提升模型泛化能力。在相同训练条件下比较评估了九种预训练卷积神经网络架构，包括ResNet-50、DenseNet-121、RegNet-Y8GF、ConvNeXt-Small、SENet-154、VGG-16、Inception-V3、Xception和EfficientNet-B3。性能评估指标包括准确率、精确率、召回率、F1分数、马修斯相关系数、受试者工作特征曲线下面积、平衡准确率、Cohen's kappa、预期校准误差和Brier分数。ResNet-50取得了最佳分类性能，准确率为99.48%，精确率为99.49%，召回率为99.48%，F1分数为99.48%，MCC为99.38%，仅误判一个测试样本。Grad-CAM++与遮挡敏感性分析表明，模型注意力主要集中于与生物学相关的孢子纹饰区域。这些结果支持了在当前实验条件下，基于SEM的深度学习和定性XAI方法在六类预定义硬皮马勃科类群图像级分类中的适用性。