Automatic detection of <i>Cryptosporidium</i> in optical microscopy images using YOLOv5<i>x</i>: a comparative study
Notice bibliographique
Résumé
Here, a machine learning tool (YOLOv5) enables the detection of Cryptosporidium microorganisms using optical and phase contrast microscope images. The two databases were processed using 520 images (optical microscopy) and 1200 images (phase contrast microscopy). It used Python libraries to label, standardize the size, and crop the images to generate the input tensors to the YOLOv5 network (s, m, and l). It implemented two experiments using randomly initialized weights in optical and phase contrast microscope images. The other two experiments used the parameters for the best training time obtained before and after retraining the models. Metrics used to assess model accuracy were mean average accuracy, confusion matrix, and the F1 scores. All three metrics confirmed that the optimal model used the best epoch of optical imaging training and retraining with phase contrast imaging. Experiments with randomly initialized weights with optical imaging showed the lowest precision for Cryptosporidium detection. The most stable model was YOLOv5m, with the best results in all categories. However, the differences between all models are lower than 2%, and YOLOv5s is the best option for Cryptosporidium detection considering the differences in computational costs of the models.
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 ».