A Hybrid Model: Multiple Feature Selection Approach Using Transfer Learning for Bacteria Classification
Notice bibliographique
Résumé
Analysis of microscope images is an important topic in medical image processing. However, classification of bacteria, which come in different shapes and sizes and are very small structures, based on their morphological structures is a difficult and time-consuming process that cannot be performed by the naked eye. In this study, a hybrid model for bacterial classification is proposed using transfer learning and feature selection methods together. DenseNet201 is used as a feature extractor with the transfer learning approach in the model. The extracted features were selected separately using four different feature selection algorithms and the best features were merged. The best features were trained and classified using Support Vector Machine (SVM). The dataset used was the Digital Image of Bacterial Species (DIBaS) dataset, which contains 33 bacterial species. The dataset was used with 5-fold and 10-fold cross validation, and the average of the two models was used as the evaluation criterion. In the experimental results, 99.78% accuracy, 99.91% precision, 99.88% sensitivity and 99.89% f-1 score were achieved. Thanks to feature selection, the best features that directly affect the classification performance in the dataset are selected. The proposed model can be helpful in making a preliminary diagnosis or a diagnosis in the clinic. Thanks to its fast and accurate classification performance, it can be used for real-time decision making systems.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».