C2BNet: A Deep Learning Architecture With Coupled Composite Backbone for Parasitic Egg Detection in Microscopic Images
Notice bibliographique
Résumé
Internet of Medical Things (IoMT) enabled by artificial intelligence (AI) technologies can facilitate automatic diagnosis and management of chronic diseases (e.g., intestinal parasitic infection) based on 2D microscopic images. To improve model performance of object detection challenged by microscopic image characteristics (e.g., focus failure, motion blur, and whether zoomed or not), we propose coupled composite backbone network (C2BNet) to execute parasitic egg detection using 2D microscopic images. In particular, the C2BNet backbone adopts a two-path structure-based backbone and leverages model heterogeneity to learn object features from different perspectives. A novel feature composition style is proposed to flow features within the coupled composite backbone, and ensure mutual enhancement of feature representation ability among different paths of the backbone. To further improve the accuracy of detection results, we propose multiscale weighted box fusion (WBF) to fuse location and confidence scores of all bounding boxes predicted from multiscale feature maps, and iteratively refine box coordinates to form the final prediction. Experimental results on Chula-ParasiteEgg-11 dataset demonstrate that C2BNet not only performs satisfactorily compared with state-of-the-art methods, but also can focus more on learning detailed morphology features and abundant semantic features, resulting in more precise detection for parasitic eggs located in the 2D microscopic image.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».