4种深度学习图像分类算法在人工智能硅藻检验中的比较

摘要

目的选择深度学习图像分类算法中复杂性和准确性较为平衡的4种算法进行硅藻的自动识别,探究最适用于硅藻识别的分类算法,为法医学自动化硅藻检验研究提供数据参考。方法建立真实水中尸体肺组织消化液涂片的“硅藻”“背景”小样本量数据集(20000张),用于4种算法(VGG16、ResNet50、InceptionV3和Inception-ResNet-V2)模型的训练、验证和测试。绘制受试者工作特征曲线、混淆矩阵并计算召回率、查准率、特异性、准确率及F1分数,对各模型性能进行系统性评估。结果InceptionV3的硅藻识别性能明显优于其他3种算法,具有更为均衡的硅藻查全(89.80%)与查准(92.58%)性能;VGG16和Inception-ResNet-V2的硅藻识别性能相当,虽无法做到硅藻查全与查准的性能均衡,但其识别能力尚可接受;ResNet50的硅藻识别性能最低,其召回率仅为55.35%。在特征提取上,4种模型均提取到了硅藻和背景的特征,且都以硅藻区域为主要识别依据。结论包含Inception结构的模型,在硅藻特征提取方面具有更强的指向性和靶向性。其中,InceptionV3算法能够更为准确、靶向地提取到硅藻特征,具有最优的硅藻识别性能,更适合应用于日常法医学硅藻检验。