
-
生物通官微
陪你抓住生命科技
跳动的脉搏
深度学习架构在微生物成像中用于微生物菌落分类的比较评估
《BMC Microbiology》:Comparative evaluation of deep learning architectures for microbial colony classification in microbiological imaging
【字体: 大 中 小 】 时间:2026年05月19日 来源:BMC Microbiology 4.2
编辑推荐:
摘要背景对于经验丰富的微生物学家来说,对琼脂平板上的微生物菌落进行视觉解读是一项至关重要的任务。在高通量工作流程和大规模筛选中,基于自动化的图像处理方法可以在标准化的实验室成像环境中提供决策支持,并确保结果的一致性。深度学习(DL)可以支持自动识别,但针对同一数据集的广泛使用的卷
对于经验丰富的微生物学家来说,对琼脂平板上的微生物菌落进行视觉解读是一项至关重要的任务。在高通量工作流程和大规模筛选中,基于自动化的图像处理方法可以在标准化的实验室成像环境中提供决策支持,并确保结果的一致性。深度学习(DL)可以支持自动识别,但针对同一数据集的广泛使用的卷积神经网络(CNN)之间的比较证据仍然有限。
本研究对六种CNN架构——AlexNet、SqueezeNet 1.1、ResNet18、ShuffleNetV2、EfficientNetB0和MobileNetV2——进行了微生物菌落分类的直接比较。我们使用了公开的AGAR数据集,处理了5,269张平板图像,并根据提供的注释从4,424个可计数的平板中提取了86,045个菌落图像,这些平板代表了五种微生物:枯草芽孢杆菌(Bacillus subtilis)、大肠杆菌(Escherichia coli)、铜绿假单胞菌(Pseudomonas aeruginosa)、金黄色葡萄球菌(Staphylococcus aureus)和白色念珠菌(Candida albicans)。提取的菌落图像被调整为224×224像素的大小,并进行了增强处理(随机旋转、水平翻转和颜色抖动)。所有模型都遵循统一的训练协议(Adam算法,学习率\(1\times{10}^{-4}\),批量大小为32,采用早停策略),数据分为70%用于训练、15%用于验证、15%用于测试。性能评估指标包括准确率、精确度、召回率和F1分数。
MobileNetV2取得了最高的测试准确率(99.40%),其次是EfficientNetB0(99.38%)、ShuffleNetV2(99.19%)和ResNet18(99.16%),而SqueezeNet 1.1也表现良好(99.09%),AlexNet的准确率最低(98.74%)。这些结果表明,尽管现代轻量级架构表现最佳,但在统一的评估协议下,ResNet18和SqueezeNet 1.1仍然具有很强的竞争力。
现代CNN架构,尤其是MobileNetV2和EfficientNetB0,在标准化的菌落图像上能够实现准确的微生物菌落分类。它们为改进自动化微生物图像分析带来了希望。这种方法有助于将其集成到医疗设备中,减少人工劳动,加快诊断速度,并降低成本。
对于经验丰富的微生物学家来说,对琼脂平板上的微生物菌落进行视觉解读是一项至关重要的任务。在高通量工作流程和大规模筛选中,基于自动化的图像处理方法可以在标准化的实验室成像环境中提供决策支持,并确保结果的一致性。深度学习(DL)可以支持自动识别,但针对同一数据集的广泛使用的卷积神经网络(CNN)之间的比较证据仍然有限。
本研究对六种CNN架构——AlexNet、SqueezeNet 1.1、ResNet18、ShuffleNetV2、EfficientNetB0和MobileNetV2——进行了微生物菌落分类的直接比较。我们使用了公开的AGAR数据集,处理了5,269张平板图像,并根据提供的注释从4,424个可计数的平板中提取了86,045个菌落图像,这些平板代表了五种微生物:枯草芽孢杆菌(Bacillus subtilis)、大肠杆菌(Escherichia coli)、铜绿假单胞菌(Pseudomonas aeruginosa)、金黄色葡萄球菌(Staphylococcus aureus)和白色念珠菌(Candida albicans)。提取的菌落图像被调整为224×224像素的大小,并进行了增强处理(随机旋转、水平翻转和颜色抖动)。所有模型都遵循统一的训练协议(Adam算法,学习率\(1\times{10}^{-4}\),批量大小为32,采用早停策略),数据分为70%用于训练、15%用于验证、15%用于测试。性能评估指标包括准确率、精确度、召回率和F1分数。
MobileNetV2取得了最高的测试准确率(99.40%),其次是EfficientNetB0(99.38%)、ShuffleNetV2(99.19%)和ResNet18(99.16%),而SqueezeNet 1.1也表现良好(99.09%),AlexNet的准确率最低(98.74%)。这些结果表明,尽管现代轻量级架构表现最佳,但在统一的评估协议下,ResNet18和SqueezeNet 1.1仍然具有很强的竞争力。
现代CNN架构,尤其是MobileNetV2和EfficientNetB0,在标准化的菌落图像上能够实现准确的微生物菌落分类。它们为改进自动化微生物图像分析带来了希望。这种方法有助于将其集成到医疗设备中,减少人工劳动,加快诊断速度,并降低成本。
生物通微信公众号