基于复合对抗D-DCGAN神经网络的微生物菌落图像增强算法

《Microorganisms》:Microbial Colony Image Enhancement Algorithm Based on Composite Adversarial D-DCGAN Neural Network

【字体: 大 中 小 】 时间:2026年09月22日 来源:Microorganisms 4.7

编辑推荐:

  微生物检测在医学和生物学研究中扮演着关键角色,是疾病预防与控制研究的重要方向。传统的人工检测方法通过在培养皿上识别菌落虽是最佳方式,但不仅成本高昂而且耗时费力。然而,深度学习的发展与应用可解决这些问题,但其关键前提是深度学习模型需要大量标注的医学影像数据。获取

  
微生物检测在医学和生物学研究中扮演着关键角色,是疾病预防与控制研究的重要方向。传统的人工检测方法通过在培养皿上识别菌落虽是最佳方式,但不仅成本高昂而且耗时费力。然而,深度学习的发展与应用可解决这些问题,但其关键前提是深度学习模型需要大量标注的医学影像数据。获取高分辨率图像耗时且无法在短时间内生成大量数据。因此,研究人员设计了一种双深度卷积生成对抗网络(Double Deep Convolutional Generative Adversarial Networks,D-DCGAN)来构建数据集。在DCGAN对抗网络下,通过重叠的小单菌落和复合菌落生成合成菌落,建立随机合成菌落模型,并针对完整菌落的合成建立了DCGANB生成模型。本研究首先评估了D-DCGAN模型,获得了初始FID分数38.9,并使用Faster R-CNN和YOLOv12验证了所生成数据集的有效性。随后,研究人员开发了基于多评估指标的二阶优化模型来确定最优增强水平,从原始236个样本中识别出1320张合成图像。使用此优化数据集后,FID分数降至37.1,而检测精度达到0.975。这些结果表明,所提出的框架在有效数据集增强和改善下游检测性能方面具有可行性。
一、研究背景与意义
微生物检测在医学诊断和生物学研究中具有重要作用,尤其在疾病防控领域。传统人工检测依赖专业人员对培养皿中的菌落进行识别和计数,这一过程不仅耗时耗力,还容易因操作疲劳引入计数误差。尽管深度学习技术在计算机视觉领域取得了显著进展,但其性能高度依赖于大规模、高质量的标注训练数据集。在微生物菌落图像识别中,获取大量高质量图像并通过人工实验标注的成本极高,数据稀缺成为制约自动化微生物图像识别发展的主要瓶颈。常规的数据增强方法如旋转、色彩变换、裁剪等虽然被广泛使用,但这些操作生成的图像与原始样本高度相关,难以扩展高阶特征如复杂菌落形态、密度和空间分布。生成对抗网络(GAN)通过学习真实数据分布,在医学图像合成和数据增强方面展现出潜力,但传统GAN仍面临模式坍塌、训练不稳定和收敛困难等问题。为此,研究人员提出了一种基于复合对抗D-DCGAN神经网络的微生物菌落图像增强方法。
二、研究方法概述
研究人员采用了一种三阶段数据生成策略:第一阶段利用DCGANA从小尺寸单菌落图像中学习局部形态特征并生成多样化的单菌落;第二阶段基于高斯随机分布将生成的菌落随机组合到培养皿背景中,形成中间复合图像;第三阶段利用DCGANB进一步学习和精炼完整的培养皿图像全局分布特征。此外,研究人员构建了一个基于二阶回归的评价模型,以Fréchet Inception Distance(FID)为目标指标,确定最优合成样本数量。最终通过Faster R-CNN和YOLOv12两个目标检测模型验证增强数据集对下游识别任务的效果。
三、研究结果
3.1 定量评价
研究人员采用FID、结构相似性指数(SSIM)和峰值信噪比(PSNR)三个指标评估生成图像质量。结果显示,DCGANB生成样本的FID为38.9,SSIM达到0.6412,PSNR为26.7 dB,表明生成图像在保持较高结构相似度的同时具备良好的多样性和保真度。通过二阶回归模型分析,研究人员确定了最优合成样本量为约1320张,此时FID进一步降低至37.1。
3.2 实验验证与分析
研究人员使用原始数据集(236张)、不同数量的DCGANB生成样本(600、900、1320张)分别训练Faster R-CNN和YOLOv12模型。结果表明,随着合成数据的加入,两个模型的识别精度均显著提升。其中Faster R-CNN的识别精度从0.872提升至0.975,平均绝对误差(MAE)大幅降低。当合成样本量超过最优值1320时,性能不再继续提升甚至略有下降,说明存在真实数据与合成数据之间的最佳平衡点。
四、讨论与结论
讨论部分指出,相比现有主要关注分辨率提升或分类性能改进的GAN方法,D-DCGAN专门针对微生物培养皿图像的结构特点,建立了从局部菌落特征建模到全局空间分布建模的分层数据增强机制。研究同时发现,过度增加合成数据反而可能稀释或掩盖判别性特征,影响模型学习效果。未来研究将聚焦于构建包含多种微生物菌株的高分辨率数据集,纳入微生物生长动力学等生物约束条件,并将合成数据与实例分割、三维重建等下游任务结合。
研究结论:本文提出的基于D-DCGAN的图像增强模型应用于大肠杆菌培养皿菌落图像。该模型是一种复合DCGAN对抗神经网络算法,能够在有限菌落数据集上进行高质量扩展。研究人员提出了混合数据生成方法:第一阶段使用DCGANA生成单菌落和复合菌落图像;第二阶段按高斯随机分布随机匹配培养皿图像;第三阶段使用DCGANB进一步合成和精炼复合培养皿图像,生成保留输入图像特征分布的样本。此外,为探究多个参数对数据生成性能的影响,研究人员开发了二阶评价模型以定量确定最优合成图像数量,识别出约1320张合成菌落图像为最优增强水平。使用优化训练的DCGANB模型生成相应合成数据集,并通过Faster R-CNN和YOLOv12的下游检测实验验证其有效性。图像增强有效将菌落识别精度提升至0.975,在一定程度上解决了有限微生物培养皿菌落数据中的数据集构建问题。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号