Ein effektives und genaues Identifizierungssystem von Mycobacterium tuberculosis unter Verwendung von Convolutional Neural Networks

Tuberkulose (TB) bleibt die Hauptursache für Morbidität und Sterblichkeit durch Infektionskrankheiten in Entwicklungsländern. Die Mikroskopie des Sputumabstrichs bleibt der primäre diagnostische Labortest. Allerdings ist die mikroskopische Untersuchung immer zeitaufwendig und mühsam. Daher wird ein effektives computerunterstütztes Bildidentifizierungssystem benötigt, um rechtzeitige Unterstützung bei der Diagnose zu leisten. Das derzeitige Identifizierungssystem leidet häufig unter komplexen Farbvariationen der Bilder, was zu zahlreichen falsch positiven Objekterkennungen führt. Um dieses Dilemma zu überwinden, schlagen wir ein zweistufiges Identifizierungssystem für Mycobacterium tuberculosis vor, das aus Kandidatenerkennung und -klassifizierung mittels Convolutional Neural Networks (CNNs) besteht. Der verfeinerte Faster Region-based CNN wurde verwendet, um Kandidaten von M. tuberculosis zu unterscheiden, und die tatsächlichen wurden durch einen CNN-basierten Klassifikator klassifiziert. Wir haben zunächst drei verschiedene CNNs miteinander verglichen, darunter ein Ensemble-CNN, ein Einzelmitglied-CNN und ein Deep-CNN. Die experimentellen Ergebnisse zeigten, dass sowohl das Ensemble- als auch das Deep-CNN eine vergleichbare Identifikationsleistung beim Analysieren von mehr als 19.000 Bildern erzielten. Ein erheblich besserer Erinnerungswert wurde durch die Verwendung unseres vorgeschlagenen Systems im Vergleich zur herkömmlichen pixelbasierten Support-Vector-Machine-Methode zur Detektion von M. tuberculosis-Bazillen erreicht.