Waiting
Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Bioengineering
Click here for the English version

Bioengineering

हाइब्रिड डीप-लर्निंग मॉडल का उपयोग करके ट्रिपैनोसोम परजीवी की बेहतर ऑटो-पहचान

Published: October 27, 2023 doi: 10.3791/65557
Automatic Translation
1, 2, 2, 3, 3, 4, 3, 3, 5
1Faculty of Medicine, King Mongkut’s Institute of Technology Ladkrabang, 2Veterinary Parasitology Research Unit, Faculty of Veterinary Science, Chulalongkorn University, 3College of Advanced Manufacturing Innovation, King Mongkut’s Institute of Technology Ladkrabang, 4Faculty of Science and Technology, Suan Dusit University, 5Department of Electrical Engineering, School of Engineering, King Mongkut’s Institute of Technology Ladkrabang

Summary

दुनिया भर में चिकित्सा रक्त परजीवियों को कम-कोड एआई प्लेटफॉर्म पर सरल चरणों का उपयोग करके स्वचालित रूप से जांच की गई थी। हाइब्रिड डीप लर्निंग मॉडल में ऑब्जेक्ट डिटेक्शन और वर्गीकरण पद्धति का उपयोग करके रक्त फिल्मों के संभावित निदान में सुधार किया गया था। सक्रिय निगरानी और अच्छी तरह से प्रशिक्षित मॉडल का सहयोग ट्रिपैनोसोम ट्रांसमिशन के हॉटस्पॉट की पहचान करने में मदद करता है।

Abstract

ट्रिपैनोसोमियासिस दक्षिण एशिया और दक्षिण पूर्व एशिया सहित दुनिया भर के कई क्षेत्रों में एक महत्वपूर्ण सार्वजनिक स्वास्थ्य समस्या है। सक्रिय निगरानी के तहत हॉटस्पॉट क्षेत्रों की पहचान रोग संचरण को नियंत्रित करने के लिए एक मौलिक प्रक्रिया है। माइक्रोस्कोपिक परीक्षा आमतौर पर इस्तेमाल की जाने वाली नैदानिक विधि है। फिर भी, यह मुख्य रूप से कुशल और अनुभवी कर्मियों पर निर्भर है। इस मुद्दे को हल करने के लिए, एक कृत्रिम बुद्धिमत्ता (एआई) कार्यक्रम पेश किया गया था जो इन-हाउस लो-कोड एआई प्लेटफॉर्म (सीआईआरए कोर) पर ऑब्जेक्ट आइडेंटिफिकेशन और ऑब्जेक्ट वर्गीकरण न्यूरल नेटवर्क बैकबोन की हाइब्रिड डीप लर्निंग तकनीक का उपयोग करता है। कार्यक्रम प्रोटोजोआ ट्रिपैनोसोम प्रजातियों की पहचान और वर्गीकरण कर सकता है, अर्थात् ट्रिपैनोसोमा क्रूज़ी, टी. ब्रुसी, और टी. इवांसी, तेल-विसर्जन सूक्ष्म छवियों से। एआई कार्यक्रम एक एकल रक्त नमूने के भीतर कई प्रोटोजोआ का निरीक्षण और विश्लेषण करने के लिए पैटर्न मान्यता का उपयोग करता है और प्रत्येक परजीवी के नाभिक और कीनेटोप्लास्ट को एक ध्यान मानचित्र का उपयोग करके विशिष्ट विशेषता विशेषताओं के रूप में उजागर करता है।

एआई कार्यक्रम के प्रदर्शन का आकलन करने के लिए, दो अद्वितीय मॉड्यूल बनाए जाते हैं जो सटीकता, याद, विशिष्टता, सटीकता, एफ 1 स्कोर, गलत वर्गीकरण दर, रिसीवर ऑपरेटिंग विशेषताओं (आरओसी) घटता और सटीक बनाम याद (पीआर) घटता जैसे विभिन्न सांख्यिकीय उपाय प्रदान करते हैं। मूल्यांकन निष्कर्ष बताते हैं कि एआई एल्गोरिथ्म परजीवियों की पहचान करने और वर्गीकृत करने में प्रभावी है। एक त्वरित, स्वचालित और सटीक स्क्रीनिंग टूल प्रदान करके, इस तकनीक में रोग निगरानी और नियंत्रण को बदलने की क्षमता है। यह स्थानीय अधिकारियों को रोग संचरण-अवरुद्ध रणनीतियों पर अधिक सूचित निर्णय लेने में भी सहायता कर सकता है।

Introduction

ट्रिपैनोसोमियासिस विभिन्न प्रकार की जूनोटिक प्रजातियों के कारण वैश्विक स्वास्थ्य मुद्दों के लिए एक महत्वपूर्ण चुनौती है, जो अफ्रीकी और अमेरिकी महाद्वीपों के बाहर भौगोलिक वितरण की एक विस्तृत श्रृंखला के साथ मानव रोग का कारण बनती है, जैसे कि दक्षिण और दक्षिण पूर्व एशिया 1,2,3। मानव अफ्रीकी ट्रिपैनोसोमियासिस (एचएटी) या नींद की बीमारी, ट्रिपैनोसोमा ब्रुसी गैम्बिएन्स और टीबी रोडेसिएन्स के कारण होती है जो क्रमशः जीर्ण और तीव्र रूपों का उत्पादन करते हैं, जो अफ्रीका में प्रमुख प्रसार का प्रतिनिधित्व करते हैं। प्रेरक परजीवी Tsetse मक्खियों4 के संक्रमित लार द्वारा संचरण के कारण लवणिया समूह से संबंधित है. जबकि, टी. क्रूज़ी के कारण प्रसिद्ध अमेरिकी ट्रिपैनोसोमियासिस (चगास की बीमारी) गैर-स्थानिक देशों के लिए एक सार्वजनिक स्वास्थ्य चिंता का विषय रहा है; कनाडा, संयुक्त राज्य अमेरिका, यूरोप, ऑस्ट्रेलिया और जापान सहित, स्थानिक क्षेत्रों से व्यक्तियों के लगातार प्रवास के कारण5. ट्रिपैनोसोम संक्रमण स्टरकोरियारिया समूह से संबंधित है क्योंकि यह reduviid कीड़े के संक्रमित मल द्वारा प्रेषित होता है। ट्रिपैनोसोमियासेस और ट्रिपैनोसोमोसेस (सुर्रा रोग) टी. इवांसी संक्रमण के कारण अफ्रीका, दक्षिण अमेरिका, पश्चिमी और पूर्वी एशिया और दक्षिण और दक्षिण पूर्वएशियाई देशों में स्थानिक हैं 3,6. यद्यपि ट्रिपैनोसोम के कारण मानव ट्रिपैनोसोमियासिस को 3,4,7,8,9,10,11,12 बताया गया है, परजीवी संक्रमण के संचरण के मार्ग पर बहस की जाती है: या तो यांत्रिक या संक्रमित रक्त हेमटोफैगस कीड़े जैसे कि सीसी मक्खियों और तबानिड्स या घोड़े की मक्खियों 6,7, 8,9,10,12,13,14. थाईलैंड में कोई मामला रिपोर्ट नहीं मिली है, हालांकि, पूर्वी क्षेत्र में कुत्ते15, रेसिंग घोड़ों और पानी भैंस में टी इवांसी संक्रमण का एक उच्च प्रसार16 प्रकाशित किया गया है, यह सुझाव देते हुए कि घरेलू जानवरों के बीच एक अधिग्रहित संचरण हुआ होगा। पशु trypanosomes की वजह से कई atypical मानव संक्रमण (T. vivax, T. b. brucei, T. congolense, T. lewisi, और T. evansi) की सूचना दी गई, जो मानव trypanosomes17 के शास्त्रीय रूपों नहीं हैं. एटिपिकल मानव संक्रमणों के बारे में जागरूकता को कम करके आंका जा सकता है, इन एटिपिकल मामलों का पता लगाने और पुष्टि के लिए बेहतर नैदानिक परीक्षणों और क्षेत्र जांच की आवश्यकता पर प्रकाश डाला जा सकता है, और वैश्विक पशुधन, खाद्य सुरक्षा18 और मानव स्वास्थ्य देखभाल को प्रभावित करने वाले पशु रोगजनक रोगों के उचित नियंत्रण और उपचार की अनुमति देता है। इसने सक्रिय निगरानी के दौरान दूरदराज के क्षेत्रों में रक्त के नमूनों को तेजी से स्क्रीन करने के लिए एक मौजूदा सामान्य विधि (सूक्ष्म परीक्षा) के साथ एकीकृत एक संभावित रणनीति के विकास का नेतृत्व किया, जिससे बीमारी को प्रतिबंधित और नियंत्रित करने के लिए हॉटस्पॉट क्षेत्रों की पहचान को सक्षम किया जा सके।

घरेलू जानवरों जैसे ड्रोमेडरी, मवेशी, घोड़े और कुत्तों की एक विस्तृत श्रृंखला में सुर्रा रोग की छिटपुट घटना होने से जो एक यूरीक्सेनस टी इवांसी पैदा करते हैं, मनुष्यों के लिए जूनोटिक हो सकते हैं 1,4,13,14. मानव संक्रमण असंभव लगता है क्योंकि मानव सीरम में एक ट्रिपैनोलिटिक कारक, एक एसआरए जैसे जीन से व्यक्त किया गया, मानव टी को रोकने में सक्षम है. इसके अलावा, जैसा कि भारत की पहली केस रिपोर्ट दर्शाती है, बीमारी का इम्युनोकॉम्प्रोमाइज्डएचआईवी रोगियों के साथ कोई संबंध नहीं है। जैसा कि ऊपर वर्णित है, संभावित मानव संक्रमण ट्रिपैनोसोम लिटिक कारक के असामान्य कार्य के साथ एक उच्च घनत्व वाले लिपोप्रोटीन की कमी से संबंधित हो सकता है, जो एक दुर्लभ ऑटोसोमल रिसेसिव आनुवंशिक विकार है, अर्थात् टंगेर रोग4। 2016 में, एक वियतनामी रोगी को सामान्य सीमा के भीतर दो जंगली प्रकार के APOL1 एलील और एक सीरम APOL1 एकाग्रता के अधिकारी होने की खोज की गई थी। हालांकि, एपीओएल -1 की कमी के सिद्धांत को अब वैध12 नहीं माना जाता है। इसलिए, ट्रिपैनोसोम संक्रमण का एक संभावित तंत्र व्यावसायिक पशु खेती 4,12 के दौरान संक्रमित पशु रक्त के साथ एक घाव का सीधा संपर्क है। सूक्ष्म परीक्षा से पता चलता है कि टी. इवांसी आकृति विज्ञान ट्रिपोमास्टिगोट का एक मोनोमॉर्फिक रूप है जिसमें एक प्रमुख लंबा पतला, ध्वजांकित और विभाजित ट्रिपैनोसोम शामिल है जो टी. ब्रुसी 1,12,13 की उनकी सापेक्ष प्रजातियों के समान है। नाभिक पीछे की स्थिति में एक दृश्यमान छोटे कीनेटोप्लास्ट के साथ केंद्रीय स्थिति में है। पिछले एक अध्ययन ने संकेत दिया कि परजीवी दो तुलनीय रूपों में मौजूद हो सकता है, जिन्हें शास्त्रीय और काटे गए रूपों के रूप में जाना जाता है। हालांकि, मेजबानों पर उनके संबंधित रोगजनक प्रभावों की पुष्टि करना आवश्यक है20. लक्षणों का कोर्स ठंड लगने और पसीने से जुड़े आंतरायिक बुखार से लेकर भिन्न होता है। सुरामिन, सौभाग्य से, प्रारंभिक चरण के मानव अफ्रीकी ट्रिपैनोसोमियासिस के लिए एक सफल प्रथम-पंक्ति चिकित्सा है, जिसमें केंद्रीय तंत्रिका तंत्र (सीएनएस) का कोई आक्रमण नहीं है, भारत और वियतनाम में रोगियों को ठीक करना 4,12,21.

नैदानिक संकेत परीक्षा के अलावा, टी इवांसी परजीवी के लिए कई नैदानिक विधियां मौजूद हैं, जिनमें परजीवी सूक्ष्म अवलोकन 4,9,12, सीरोलॉजिकल 4,8,9,10,12, और आणविक जैविक परीक्षण 4,12 शामिल हैं. Giemsa के साथ दाग पतली रक्त फिल्मों अक्सर सूक्ष्म परीक्षा है, जो नियमित रूप से और आमतौर पर22 इस्तेमाल किया जाता है के तहत मौजूद परजीवी कल्पना करने के लिए उपयोग किया जाता है. हालाँकि, प्रक्रिया व्यवहार्य प्रतीत होती है; बहरहाल, यह समय लेने वाली और श्रम-गहन है, इसमें अंतर-रेटर मूल्यांकन परिवर्तनशीलता है, केवल एक तीव्र चरण के प्रति संवेदनशील है, और इसके लिए एक व्यक्तिगत प्रशिक्षु23 की आवश्यकता होती है। आणविक जीव विज्ञान और सीरोलॉजिकल परीक्षण दोनों को नमूना तैयार करने की कई प्रक्रियाओं को करने के लिए अत्यधिक कुशल कर्मियों की आवश्यकता होती है, जिसमें महंगे उपकरण के साथ परीक्षण करने से पहले नमूनों को निकालना और शुद्ध करना शामिल है, जो मानकीकृत करना मुश्किल है, अतिरिक्त-परजीवी सामग्री के साथ संदूषण का जोखिम, और परिणामों में विसंगतियां24. ऊपर वर्णित तर्क के आधार पर, क्षेत्र निगरानी अध्ययन का समर्थन करने के लिए तेजी से और प्रारंभिक स्क्रीनिंग तकनीक की आवश्यकता है और यह सुनिश्चित करने के लिए कि सर्वेक्षण के परिणाम को रोग संचरण 1,8 के आगे नियंत्रण के लिए हॉटस्पॉट क्षेत्र की पहचान करने के लिए समय पर रिपोर्ट किया गया है। कम्प्यूटरीकृत आधारित उपकरणों (सीएडी) हिस्टोपैथोलॉजिकल और साइटोपैथोलॉजिकलकार्यों सहित चिकित्सा क्षेत्रों के लिए एक अभिनव तकनीक के रूप में प्रस्तावित किया गया है। ऊपर उल्लिखित सीएडी को उच्च गति पर किया गया था और पैटर्न मान्यता, अर्थात् कृत्रिम बुद्धिमत्ता (एआई) का उपयोग करके गणना की गई थी। एआई विधि को दृढ़ तंत्रिका नेटवर्क एल्गोरिदम का उपयोग करके पूरा किया जाता है जिसका उपयोग बड़ी संख्या में डेटासेट नमूनों से निपटने के लिए किया जा सकता है, विशेष रूप से, एक पर्यवेक्षित शिक्षण दृष्टिकोण जो डेटा खपत पर एक अच्छी तरह से प्रशिक्षित मॉडल को प्रशिक्षित करता है।

सामान्य तौर पर, एआई कंप्यूटर की उन कार्यों को हल करने की क्षमता है जिनके लिए विशेषज्ञ बुद्धि की आवश्यकता होती है, जैसे डेटा लेबलिंग। मशीन लर्निंग (एमएल), एआई का एक उपक्षेत्र, एक कंप्यूटर सिस्टम के रूप में दर्शाया गया है जिसमें दो अलग-अलग प्रक्रियाएं शामिल हैं जिनमें फीचर निष्कर्षण और पैटर्न पहचान शामिल हैं। डीप लर्निंग (डीएल), या उन्नत एमएल एल्गोरिदम, कम्प्यूटरीकृत कार्यक्रमों और उपकरणों के विकास को संदर्भित करता है जो मानव पेशेवरों द्वारा पूरा किए गए सटीकता के स्तर के साथ मानव जैसे प्रदर्शन की तुलना करते हैं26. वर्तमान में, चिकित्सा और पशु चिकित्सा क्षेत्रों में डीएल की भूमिका हाल ही में रोकथाम के उद्देश्य से संचारी रोग की रोकथाम का विस्तार और क्रांति कर रही है और इसे व्यक्तिगत स्वास्थ्य कर्मचारियों22,27 के लिए मार्गदर्शन कर रही है। संभावित डीएल एप्लिकेशन गुणवत्ता लेबल और बड़ी संख्या में संवर्धित डेटासेट के साथ असीम है, जो परियोजना कार्य का प्रबंधन करने के लिए विशेषज्ञों को मुक्त करता है। विशेष रूप से, कंप्यूटर-सहायता प्राप्त विश्लेषण के साथ डिजिटल छवि में एक अग्रिम, पैथोलॉजी की पांच श्रेणियों में स्वचालित निदान और स्क्रीनिंग में सुधार हुआ; स्थिर, गतिशील, रोबोटिक, पूरे स्लाइड इमेजिंग, और संकर तरीकोंसहित 28. यह विचार करना आवश्यक है कि डीएल एल्गोरिथ्म दृष्टिकोण और डिजिटल छवि डेटा का एकीकरण स्थानीय कर्मचारियों को अपने दैनिक प्रथाओं में प्रौद्योगिकी का उपयोग करने के लिए प्रोत्साहित कर सकता है।

पहले, एक हाइब्रिड मॉडल का उपयोग करने की भविष्यवाणी सटीकता में वृद्धि27 साबित हुई थी। सूक्ष्म छवियों में ट्रिपैनोसोम परजीवी की पहचान करने के लिए, यह शोध दो हाइब्रिड मॉडल प्रस्तुत करता है, जिसमें YOLOv4-छोटे (ऑब्जेक्ट डिटेक्शन) और डेंसेनेट 201 (ऑब्जेक्ट वर्गीकरण) एल्गोरिदम शामिल हैं। कई पहचान मॉडल के बीच, एक CSPDarknet4 रीढ़ के साथ YOLOv53-tiny स्थानीयकरण और वर्गीकरण29 के मामले में एक भविष्यवाणी परिणाम के रूप में उच्च प्रदर्शन दिखाया. चूंकि रीयल-टाइम डिटेक्टर ने इनपुट नेटवर्क रिज़ॉल्यूशन, दृढ़ परत की मात्रा, कुल पैरामीटर और परत आउटपुट की संख्या के बीच इष्टतम संतुलन को संशोधित किया है, इसलिए इसने पिछले संस्करणों की तुलना में तेज परिचालन गति को प्राथमिकता देने और समानांतर संगणनाओं के लिए अनुकूलन में सुधार किया है। डेंस कन्वोल्यूशनल नेटवर्क (डेंसनेट) एक अन्य लोकप्रिय मॉडल है जो प्रतिस्पर्धी डेटासेट में अत्याधुनिक परिणाम प्राप्त करता है। DenseNet201 ने ResNet101 की तुलना में एक समान सत्यापन त्रुटि प्राप्त की; हालाँकि, DenseNet201 में 20 मिलियन से कम पैरामीटर हैं, जो ResNet101 के 40 मिलियन से अधिक पैरामीटर30 से कम है। इसलिए, डेंसनेट मॉडल ओवरफिटिंग के कोई संकेत के साथ मापदंडों की बढ़ती संख्या के साथ भविष्यवाणी सटीकता में सुधार कर सकता है। यहां, एक आर्टिफिशियल इंटेलिजेंस (एआई) प्रोग्राम इन-हाउस CiRA CORE प्लेटफॉर्म पर डीप डिटेक्शन- और क्लासिफिकेशन न्यूरल नेटवर्क बैकबोन के साथ एक हाइब्रिड डीप लर्निंग एल्गोरिथम का उपयोग करता है। विकसित कार्यक्रम प्रोटोजोआ ट्रिपैनोसोम प्रजातियों की पहचान और वर्गीकरण कर सकता है, अर्थात् ट्रिपैनोसोमा क्रूज़ी, टी. ब्रुसी, और टी. इवांसी, तेल-विसर्जन सूक्ष्म छवियों से। इस तकनीक में तेजी से, स्वचालित और सटीक स्क्रीनिंग विधि प्रदान करके रोग निगरानी और नियंत्रण में क्रांति लाने की क्षमता है। यह परजीवी प्रोटोजोआ रोग के लिए संचरण-अवरुद्ध रणनीतियों पर अधिक सूचित निर्णय लेने में स्थानीय कर्मचारियों की सहायता कर सकता है।

Subscription Required. Please recommend JoVE to your librarian.

Protocol

संग्रहीत रक्त फिल्मों और परियोजना डिजाइन को संस्थागत जैव सुरक्षा समिति, पशु चिकित्सा विज्ञान संकाय की संस्थागत पशु देखभाल और उपयोग समिति, चुलालोंगकोर्न विश्वविद्यालय (आईबीसी नंबर 2031033 और आईएसीयूसी नंबर 1931027), और किंग मोंगकुट के प्रौद्योगिकी संस्थान लाडक्राबांग (ईसी -KMITL_66_014) की मानव अनुसंधान आचार समिति द्वारा अनुमोदित किया गया था।

1. कच्ची छवियों की तैयारी

  1. छवि डेटासेट तैयारी
    1. रक्त-परजीवी संक्रमण के साथ कम से कम 13 सकारात्मक स्लाइड प्राप्त करें, जिनमें टी. ब्रूसी, टी. क्रूज़ी और टी. इवांसी शामिल हैं, जिनकी पुष्टि परजीवीविज्ञानी विशेषज्ञों ने की है। प्रशिक्षण (10 स्लाइड) और परीक्षण (तीन स्लाइड) के लिए 13 स्लाइड्स को अलग करें।
    2. एक डिजिटल कैमरे के साथ एक प्रकाश माइक्रोस्कोप के तेल-विसर्जन क्षेत्र के तहत ऊपर वर्णित गिमेसा दाग-पतली रक्त फिल्मों की छवियों को प्राप्त करें। सूक्ष्म परीक्षा के तहत सभी तीन परजीवी प्रजातियों के trypomastigotes के कई वस्तुओं युक्त छवियों को प्राप्त करें; पूर्वकाल के अंत में एक पतला आकार, लंबी पूंछ, एक लहरदार झिल्ली और एक कीनेटोप्लास्ट की तलाश करें।
      नोट: मोटी और पतली दोनों स्मीयर बनाने से तीव्र चरण ट्रिपैनोसोमियासिस31 का पता लगाने में वृद्धि होगी। डब्ल्यूएचओ32 द्वारा उंगली की चुभन द्वारा रक्त संग्रह की सिफारिश की जाती है। फिर भी, पतली फिल्में ट्रिपैनोसोमा क्रूज़ी और अन्य प्रजातियों की पहचान करने में अधिक प्रभावी होती हैं, क्योंकि ये जीवमोटी फिल्मों में विकृत हो जाते हैं। इसके प्रकाश में, हमने इस अध्ययन के लिए परजीवियों की उपयुक्त आकृति विज्ञान को बनाए रखने के लिए पतली रक्त फिल्म छवियों का उपयोग किया।
    3. सभी छवियों को निम्नलिखित विशिष्टताओं के साथ परजीवी-विशिष्ट फ़ोल्डर में संग्रहीत करें: 1,600 x 1,200 पिक्सेल, 24-बिट गहराई और JPG फ़ाइल स्वरूप। छवियों को प्रशिक्षण और परीक्षण सेट में ~ 6: 1 अनुपात में विभाजित करें।
      नोट: https://gitlab.com/parasite3/superior-auto-identification-of-medically-important-trypanosome-parasites-by-using-a-hybrid-deep-learning-model/-/blob/main/JOVEimage.zip देखें; 650 छवियों को प्रशिक्षित (560 छवियों) और परीक्षण (90 छवियों) मॉडल में विभाजित किया गया था।
    4. दो वर्गों के लिए एक आयताकार लेबल के रूप में ब्याज के क्षेत्र को परिभाषित करें: ट्रिपैनोसोम और गैर-ट्रिपैनोसोम। सुप्रशिक्षित ऑब्जेक्ट डिटेक्शन मॉडल का उपयोग करके सभी पहचानी गई छवियों को क्रॉप करने के लिए ऑटो-क्रॉपिंग मॉड्यूल का उपयोग करें। ऑटो-क्रॉपिंग मॉड्यूल वह मॉड्यूल है जिसे इन-हाउस CiRA CORE प्रोग्राम में विकसित किया गया है ( सामग्री की तालिका देखें)। वस्तु वर्गीकरण के प्रशिक्षण के लिए प्रति छवि एक एकल वस्तु एकत्र करें।
      नोट: इस पेपर के लिए, 1,017 छवियों को प्रशिक्षण (892 छवियों) और परीक्षण (126 छवियों) के लिए विभाजित किया गया था। मॉडल प्रशिक्षण चार लेबल वर्गों के साथ किया गया था, जिसमें ल्यूकोसाइट, टी।

2. इन-हाउस CiRA CORE प्लेटफॉर्म के साथ प्रशिक्षण प्रक्रिया

  1. एक नई परियोजना शुरू करना
    1. कंप्यूटर डेस्कटॉप से CiRA CORE एप्लिकेशन खोलें ( सामग्री की तालिकादेखें) और प्रोग्राम के आइकन पर डबल-क्लिक करके एक नया प्रोजेक्ट बनाएं।
    2. आवश्यक उपकरणों का चयन करने के लिए बाएं लंबवत टूलबार पर ऑपरेशन आइकन चुनें।
  2. वस्तु का पता लगाने मॉडल प्रशिक्षण
    1. ड्रैग-एंड-ड्रॉप विधि का उपयोग करके डेटा लेबलिंग और प्रशिक्षण के लिए प्रशिक्षण-DL मॉडल फ़ंक्शन का चयन करें। सामान्य उपकरण पट्टी पर जाएँ | सीआईआरए एआई | डीपट्रेन खींचें | स्क्रीन पर डीपट्रेन ड्रॉप करें (दाईं ओर)।
      नोट: अतिरिक्त विकल्पों के लिए, चयनित टूल पर राइट-क्लिक करें और उपयुक्त फ़ंक्शन करें: कॉपी करें, काटें, या हटाएं।
    2. DeepTrain टूल की सेटिंग का उपयोग करके छवियों को आयात करें। छवियों को लोड करें बटन पर क्लिक करें और छवि निर्देशिका में नेविगेट करें। बायाँ-क्लिक को दबाकर और चयनित ऑब्जेक्ट का नामकरण करके ऑब्जेक्ट्स को लेबल करें. डिस्प्ले सेटिंग बटन पर क्लिक करके आयत लाइन की मोटाई और फ़ॉन्ट आकार को समायोजित करें और उसी निर्देशिका में जीटी को .gt फ़ाइल के रूप में सहेजें।
      नोट: बिजली की कमी, स्वचालित प्रोग्राम बंद होने और लेबलिंग प्रक्रिया के भीतर लटकने जैसी किसी भी अवांछित स्थिति से बचने के लिए आवश्यकतानुसार सहेजें।
    3. मॉडल प्रशिक्षण से पहले, चार वृद्धि तकनीकों का उपयोग करके पर्याप्त जानकारी एकत्र करने के लिए डेटा का विस्तार करें: रोटेशन, कंट्रास्ट, शोर और ब्लर। इस सुविधा तक पहुँचने के लिए Gen सेटिंग बटन पर क्लिक करें।
    4. DeepTrain टूल में प्रशिक्षण बटन पर क्लिक करके मॉडल प्रशिक्षण आरंभ करें। प्रशिक्षण भाग के दो उप-कार्य हैं: प्रशिक्षण फ़ाइलें उत्पन्न करें और प्रशिक्षित करें। प्रशिक्षण फ़ाइलें उत्पन्न करें फ़ंक्शन के तहत, वांछित मॉडल, बैच आकार और उपखंडों का चयन करें। डेटा उत्पन्न करने और इसे निर्देशिका में सहेजने के लिए जनरेट बटन पर क्लिक करें। ट्रेन फ़ंक्शन में, निम्नलिखित विकल्प चुनें: i) शर्तों और बैकअप के लिए किसी अन्य उत्पन्न प्रशिक्षण स्थान का उपयोग करें, ii) निरंतर प्रशिक्षण के लिए पूर्वनिर्मित भार का उपयोग करें, या iii) वर्तमान प्रशिक्षण डिजाइन के लिए मापदंडों को ओवरराइड करें। यह मॉडल कॉन्फ़िगरेशन और प्रशिक्षण स्थितियों को डिजाइन करेगा।
      नोट: पीढ़ी प्रक्रिया समय छवि फ़ाइल आकार, वृद्धि उपयोग और उपलब्ध स्मृति स्थान पर निर्भर करता है।
    5. एक बार सभी आवश्यक कॉन्फ़िगरेशन पूरा हो जाने के बाद, ट्रेन बटन पर क्लिक करके मॉडल प्रशिक्षण शुरू करें। कार्यक्रम को लगातार निष्पादित करने, प्रशिक्षण हानि का मूल्यांकन करने और प्रशिक्षण प्रक्रिया के दौरान डेटासेट के वजन को समायोजित करने की अनुमति दें। यदि मॉडल इष्टतम नुकसान प्राप्त करता है, तो निर्यात बटन पर क्लिक करके निर्दिष्ट निर्देशिका में प्रशिक्षित वजन फ़ाइल को सहेजें।

3. ऑब्जेक्ट डिटेक्शन मॉडल मूल्यांकन

  1. ड्रैग-एंड-ड्रॉप विधि का उपयोग करके मॉडल मूल्यांकन के लिए ऑब्जेक्ट डिटेक्शन मॉडल मूल्यांकन फ़ंक्शन का चयन करें। प्लगइन टूलबार पर जाएं | मूल्यांकन करें | ड्रैग इवैलडिटेक्ट | ड्रॉप EvalDetect स्क्रीन पर (दाईं ओर)।
  2. सेटिंग पर क्लिक करें और तीन कार्यों की प्रतीक्षा करें: डिटेक्शन, इवैल्यूएट और प्लॉट। लोड कॉन्फ़िगरेशन पर क्लिक करके निर्देशिका (चरण 2.2.5) से प्रशिक्षित वजन फ़ाइल आयात करके मॉडल मूल्यांकन शुरू करें।
  3. डिटेक्शन फ़ंक्शन के तहत, अनावश्यक झूठी सकारात्मक (FP) पहचान को समाप्त करके सटीकता बढ़ाने के लिए गैर-अधिकतम दमन (NMS) मान का चयन करें। NMS बेहतर विश्वसनीयता के लिए डुप्लिकेट मॉडल-जनरेटेड डिटेक्शन को हटा देता है।
  4. मूल्यांकन फ़ंक्शन के तहत निम्नलिखित चरणों के साथ आगे बढ़ें:
    1. ब्राउज़ पर क्लिक करके छवि फ़ाइल निर्देशिका से परीक्षण छवियों को आयात करें। जीटी फ़ाइल को निर्देशिका से आयात करें जहां इसे लोड जीटी पर क्लिक करके चरण 2.2.2 में सहेजा गया था।
    2. विशिष्ट छवि परीक्षण डेटासेट पर सटीकता का आकलन करने के लिए यूनियन (IoU) मान पर चौराहा चुनें।
    3. निर्दिष्ट निर्देशिका में डिटेक्शन मॉडल का आकलन करने के लिए मूल्यांकन बटन पर क्लिक करें। एक बार मूल्यांकन पूरा हो जाने के बाद, परिणाम स्वचालित रूप से उसी निर्देशिका में CSV फ़ाइल के रूप में सहेजे जाएंगे, जिसे कक्षा के नाम से क्रमबद्ध किया जाएगा। यह CSV फ़ाइल प्रत्येक वर्ग के लिए ट्रू पॉजिटिव (TP), False Positive (FP), False Negative (FN), रिकॉल और प्रिसिजन जैसे आवश्यक पैरामीटर प्रदान करेगी।
  5. प्रेसिजन-रिकॉल (PR) वक्र प्लॉट करने के लिए, प्लॉट फ़ंक्शन के अंतर्गत निम्न चरणों का पालन करें: ब्राउज़ पर क्लिक करके पिछले अनुभाग (चरण 3.4) निर्देशिका से CSV फ़ाइलें आयात करें। सूची से कक्षाएं चुनें और संपादन योग्य पीआर वक्र छवि प्रदर्शित करने के लिए प्लॉट बटन पर क्लिक करें।
  6. अंत में, निर्दिष्ट निर्देशिका में आवश्यक छवि प्रारूप में पीआर वक्र के एयूसी मूल्यों के साथ एक छवि को बचाने के लिए, छवि के सहेजें बटन पर क्लिक करें।

4. प्रति छवि एकल वस्तु के लिए छवि क्रॉपिंग

  1. छवियों को क्रॉप करने से पहले, निम्न चरणों को पूरा करें:
    1. छवि स्लाइड उपकरण की सेटिंग्स तक पहुंचकर छवि फ़ाइल निर्देशिका से छवियों को आयात करें।
    2. डीप डिटेक्ट टूल की सेटिंग्स तक पहुंचकर प्रशिक्षित वजन फ़ाइल (चरण 2.2.8 में सहेजी गई) आयात करें। कॉन्फिग बटन पर क्लिक करें | + बटन, बैकएंड (CUDA या CPU) चुनें, एक नाम प्रदान करें, OK पर क्लिक करें, वेट फाइल डायरेक्टरी चुनें और चुनें पर क्लिक करें। डीप डिटेक्ट टूल के भीतर, डिटेक्शन पैरामीटर (थ्रेशोल्ड और नॉन-मैक्सिमा सप्रेशन (एनएमएस)) चुनें; ड्राइंग पैरामीटर; ट्रैकिंग पैरामीटर; और ब्याज के क्षेत्र (आरओआई) पैरामीटर।
    3. उस निर्देशिका का चयन करें जहां डीप क्रॉप टूल की सेटिंग्स तक पहुंचकर क्रॉप की गई छवियों को सहेजा जाएगा। ब्राउज़ करें पर क्लिक करें | क्रॉप की गई छवियों को सहेजने के लिए निर्देशिका चुनें | चुनें पर क्लिक करें | छवि प्रारूप का चयन करें (जेपीजी या पीएनजी) | ऑटो सेव विकल्प को सक्षम करें।
  2. छवि वर्गीकरण और विभाजन के लिए प्रति छवि एक एकल वस्तु प्राप्त करने के लिए छवियों को क्रॉप करें। इस प्रक्रिया को पूरा करने के लिए, चार उपकरणों का उपयोग करें और उनके बीच संबंध स्थापित करें: सामान्य टूलबार पर जाएं | सामान्य | बटन रन। इसके बाद, नेविगेट करें सामान्य टूलबार | सीआईआरए एआई | डीपडिटेक्ट; फिर, सामान्य टूलबार | सीआईआरए एआई | डीप क्रॉप। अंत में, इमेज टूलबार | अधिग्रहण | छविस्लाइड।
  3. एक बार सभी आवश्यक सेटिंग्स हो जाने के बाद, बटन रन टूल पर क्लिक करके इमेज क्रॉपिंग प्रक्रिया शुरू करें।
  4. 608 x 608 के आकार के साथ एकल-ऑब्जेक्ट छवियों से युक्त एक नया छवि प्रशिक्षण डेटासेट प्राप्त करें।

5. मॉडल प्रशिक्षण के रूप में छवि वर्गीकरण

  1. डेटा प्रशिक्षण के लिए छवि वर्गीकरण मॉडल प्रशिक्षण फ़ंक्शन का चयन करने के लिए ड्रैग-एंड-ड्रॉप का उपयोग करें। छवि टूलबार पर जाएँ | डीपक्लासिफ | ClassifTrain खींचें | स्क्रीन पर ClassifTrain ड्रॉप करें.
  2. ClassifTrain टूल की सेटिंग का उपयोग करके मॉडल प्रशिक्षण के लिए छवियाँ आयात करें. ओपन फोल्डर बटन पर क्लिक करें और वांछित इमेज डायरेक्टरी पर नेविगेट करें। प्रशिक्षण से पहले, रोटेशन, कंट्रास्ट, फ़्लिपिंग (क्षैतिज और/या ऊर्ध्वाधर), शोर और ब्लर जैसी तकनीकों का उपयोग करके अधिक जानकारी के लिए ऑग्मेंटेशन बटन पर क्लिक करके डेटा का विस्तार करें।
  3. मॉडल प्रशिक्षण शुरू करने के लिए, ClassifTrain टूल के GenTrain बटन पर क्लिक करें। GenTrain फ़ंक्शन के तहत, मॉडल, बैच आकार और उपखंडों का चयन करें। जनरेट की गई फ़ाइल को सहेजने के लिए एक निर्देशिका असाइन करें। दबाएं उत्पन्न प्रशिक्षण के लिए डेटा के साथ आगे बढ़ने के लिए बटन। ट्रेन फ़ंक्शन में, उपयुक्त विकल्पों पर टिक करें: डिफ़ॉल्ट वजन या कस्टम वजन के साथ प्रशिक्षण जारी रखें।
    नोट: पीढ़ी प्रक्रिया में छवि फ़ाइल आकार, वृद्धि उपयोग, वर्ग संतुलन और उपलब्ध मेमोरी स्पेस जैसे कारकों के आधार पर समय लग सकता है।
  4. एक बार सभी तैयारियां पूरी हो जाने के बाद, स्टार्ट बटन पर क्लिक करके मॉडल प्रशिक्षण शुरू करें। कार्यक्रम को लगातार निष्पादित करने की अनुमति दें, प्रशिक्षण हानि का मूल्यांकन करें और प्रशिक्षण प्रक्रिया के दौरान डेटासेट के वजन को समायोजित करें। यदि मॉडल नुकसान के वांछित स्तर को प्राप्त करता है, तो निर्यात बटन पर क्लिक करके प्रशिक्षित वजन फ़ाइल को निर्दिष्ट निर्देशिका में सहेजें।

6. वर्गीकरण मॉडल मूल्यांकन

  1. ड्रैग-एंड-ड्रॉप विधि का उपयोग करके मॉडल मूल्यांकन के लिए छवि वर्गीकरण मॉडल मूल्यांकन फ़ंक्शन का चयन करें। प्लगइन टूलबार पर जाएं | मूल्यांकन करें | EvaluateClassif खींचें | EvaluateClassif को स्क्रीन पर छोड़ें (दाईं ओर)।
  2. EvaluateClassif टूल के भीतर अतिरिक्त कार्यों तक पहुंचने के लिए सेटिंग पर क्लिक करें, अर्थात् मूल्यांकन और प्लॉटआरओसी।
  3. मॉडल मूल्यांकन आरंभ करने के लिए, EvaluateClassif टूल में मूल्यांकन बटन पर क्लिक करें। मूल्यांकन फ़ंक्शन के अंतर्गत इन चरणों का पालन करें.
    1. लोड फ़ोल्डर छवि पर क्लिक करके छवि फ़ाइल निर्देशिका से परीक्षण छवियों को आयात करें। लोड कॉन्फ़िग पर क्लिक करके निर्देशिका (चरण 5.4 में सहेजा गया) से प्रशिक्षित वजन फ़ाइल आयात करें। वर्गीकरण मॉडल का मूल्यांकन करने के लिए स्टार्ट बटन पर क्लिक करें।
    2. एक बार मूल्यांकन पूरा हो जाने के बाद, CSV में निर्यात करें बटन पर क्लिक करके मूल्यांकन की गई फ़ाइल को निर्दिष्ट निर्देशिका में CSV के रूप में सहेजें। प्रत्येक थ्रेशोल्ड पर डेटा के मूल्यांकन के लिए, स्टार्ट ऑल थ्रेशोल्ड पर क्लिक करके निर्दिष्ट निर्देशिका में क्लास नामों के साथ CSV फ़ाइल को सहेजें। सहेजी गई CSV फ़ाइल में प्रत्येक वर्ग के लिए रिकॉल (ट्रू पॉजिटिव रेट), फॉल्स पॉजिटिव रेट और प्रिसिजन जैसे पैरामीटर शामिल हैं।
  4. रिसीवर ऑपरेटिंग विशेषताओं (ROC) वक्र को प्लॉट करने के लिए, EvaluateClassif टूल के भीतर PlotROC बटन पर क्लिक करें। PlotROC फ़ंक्शन के अंतर्गत निम्न चरणों का पालन करें।
    1. ब्राउज़ पर क्लिक करके पहले प्राप्त निर्देशिका से CSV फ़ाइलें आयात करें। आयातित वर्ग सूची का निरीक्षण करें और आरओसी वक्र को प्लॉट करने के लिए प्रत्येक वर्ग लेबल का चयन करें।
    2. आरओसी वक्र को छवि के रूप में देखने के लिए प्लॉट बटन पर क्लिक करें। छवि गुणों को समायोजित करने के लिए वांछित संपादन करें, जिसमें फ़ॉन्ट आकार, फ़ॉन्ट रंग, दशमलव को पूर्णांक बनाना, रेखा शैली और रेखा रंग शामिल हैं।
  5. अंत में, आरओसी वक्र की एक छवि को निर्दिष्ट निर्देशिका में आवश्यक छवि प्रारूप में एयूसी मूल्यों के साथ सहेजें बटन पर क्लिक करके सहेजें।

7. CiRA CORE एप्लिकेशन के साथ प्रक्रिया का परीक्षण करना

  1. मॉडल परीक्षण के रूप में वस्तु का पता लगाना
    1. मॉडल परीक्षण करने के लिए, चार उपकरणों का उपयोग करें और उनके बीच संबंध स्थापित करें। सामान्य उपकरण पट्टी पर जाएँ | सामान्य | बटन रन। फिर, सामान्य टूलबार | सामान्य | डीबग करें। इसके बाद जनरल टूलबार पर क्लिक करें | सीआईआरए एआई | DeepDetect, और अंत में छवि टूलबार | अधिग्रहण | छविस्लाइड।
    2. छवियों का परीक्षण करने से पहले, इन चरणों का पालन करें:
      1. छवि स्लाइड टूल में सेटिंग विकल्प पर क्लिक करके छवि फ़ाइल निर्देशिका से परीक्षण छवियों को आयात करें।
      2. चरण 2.2.8 से सहेजी गई प्रशिक्षित वजन फ़ाइल को DeepDetect टूल में सेटिंग विकल्प पर क्लिक करके आयात करें। कॉन्फिग बटन पर क्लिक करें, फिर + बटन, बैकएंड (CUDA या CPU) चुनें, एक नाम प्रदान करें, OK पर क्लिक करें, वेट फाइल डायरेक्टरी चुनें और चुनें पर क्लिक करें। DeepDetect टूल के तहत, डिटेक्शन पैरामीटर (थ्रेसहोल्ड और एनएमएस), ड्राइंग पैरामीटर, ट्रैकिंग पैरामीटर और आरओआई पैरामीटर चुनें।
      3. डीबग टूल में छवि फ़ंक्शन पर क्लिक करके परीक्षण छवि परिणाम देखें।
    3. अंत में, बटन रन टूल पर रन बटन पर क्लिक करके प्रत्येक छवि के लिए अनुमानित परिणामों की जांच करें।
  2. मॉडल परीक्षण के रूप में छवि वर्गीकरण
    1. मॉडल परीक्षण करने के लिए, चार उपकरणों का उपयोग करें और उनके बीच संबंध स्थापित करें। सामान्य उपकरण पट्टी पर जाएँ | सामान्य | बटन रन; फिर, सामान्य टूलबार | डीबग करें। उसके बाद, नेविगेट करें छवि टूलबार | अधिग्रहण | ImageSlide, और अंत में, Image टूलबार | डीपक्लासिफ | डीपक्लासिफ।
    2. छवियों का परीक्षण करने से पहले, इन चरणों का पालन करें:
      1. छवि स्लाइड टूल में सेटिंग विकल्प पर क्लिक करके छवि फ़ाइल निर्देशिका से परीक्षण छवियों को आयात करें।
      2. DeepClassif टूल में सेटिंग विकल्प पर क्लिक करके अनुभाग 5.5 से सहेजी गई प्रशिक्षित वजन फ़ाइल आयात करें। कॉन्फिग बटन पर क्लिक करें | + बटन | बैकएंड चुनें (CUDA या CPU) | एक नाम प्रदान करें | ओके पर क्लिक करें | वजन फ़ाइल निर्देशिका चुनें | चुनें पर क्लिक करें. DeepClassif टूल के तहत, वर्गीकरण मापदंडों (थ्रेसहोल्ड और शीर्ष-श्रेणी की भविष्यवाणियों की संख्या), गाइड मैप पैरामीटर (थ्रेशोल्ड, अल्फा, बीटा और कलर मैप), और रंग मानचित्र में विभिन्न मापदंडों का चयन करें।
      3. डीबग टूल में छवि फ़ंक्शन पर क्लिक करके परीक्षण छवि परिणाम देखें।
    3. अंत में, बटन रन टूल पर रन बटन पर क्लिक करके प्रत्येक छवि के लिए अनुमानित परिणामों की जांच करें।

8. मॉडल परीक्षण के रूप में हाइब्रिड (पहचान और वर्गीकरण)

  1. इस मॉडल परीक्षण को करने के लिए, चार उपकरणों का उपयोग करें और उनके बीच संबंध स्थापित करें। सामान्य उपकरण पट्टी पर जाएँ | सामान्य | बटनरन। फिर, सामान्य टूलबार | सामान्य | डीबग करें। उसके बाद, छवि टूलबार | अधिग्रहण | ImageSlide, और अंत में, Image टूलबार | डीप कम्पोजिट | डीईपीडी->सी।
  2. छवियों का परीक्षण करने से पहले, इन चरणों का पालन करें: छवि स्लाइड टूल में सेटिंग विकल्प पर क्लिक करके छवि फ़ाइल निर्देशिका से परीक्षण छवियों को आयात करें। डीपडी->सी टूल में सेटिंग विकल्प पर क्लिक करके धारा 2.1.5 और धारा 4.4 से दो सहेजी गई प्रशिक्षित वजन फ़ाइलों को आयात करें:
    1. डिटेक्ट फंक्शन के लिए, कॉन्फिग बटन |+ बटन पर क्लिक करें, बैकएंड (CUDA या CPU) चुनें | एक नाम प्रदान करें | ओके पर क्लिक करें | वेट फाइल डायरेक्टरी चुनें | चुनें पर क्लिक करें. डिटेक्ट फ़ंक्शन के तहत, डिटेक्शन पैरामीटर (थ्रेसहोल्ड और एनएमएस), ड्राइंग पैरामीटर, ट्रैकिंग पैरामीटर और आरओआई पैरामीटर चुनें।
    2. क्लासिफ फ़ंक्शन के लिए, कॉन्फ़िग बटन |+ बटन पर क्लिक करें, बैकएंड (CUDA या CPU) चुनें | एक नाम प्रदान करें | ओके पर क्लिक करें | वेट फ़ाइल डायरेक्टरी चुनें | चुनें पर क्लिक करें। Classif फ़ंक्शन के अंतर्गत, वर्गीकरण पैरामीटर (थ्रेशोल्ड और शीर्ष-श्रेणी के पूर्वानुमानों की संख्या) और गाइड मैप पैरामीटर (थ्रेशोल्ड, अल्फ़ा, बीटा और रंग मानचित्र) का चयन करें।
  3. डीबग टूल में छवि फ़ंक्शन पर क्लिक करके परीक्षण छवि परिणाम देखें। अंत में, बटन रन टूल पर रन बटन पर क्लिक करके प्रत्येक छवि के लिए अनुमानित परिणामों की जांच करें।

9. पांच गुना क्रॉस-सत्यापन

नोट: प्रस्तावित मॉडल के प्रदर्शन को अधिक प्रभावी ढंग से मान्य करने के लिए, के-फोल्ड क्रॉस-सत्यापन का उपयोग किया जाता है।

  1. डेटासेट को पांच खंडों में विभाजित करें, जो क्रॉस-सत्यापन के पांच गुना के अनुरूप है। मॉडल प्रशिक्षण और परीक्षण के प्रत्येक पुनरावृत्ति के दौरान, परीक्षण के लिए सत्यापन सेट के रूप में एक खंड का उपयोग करें और प्रशिक्षण के लिए शेष चार खंडों का उपयोग करें। इस प्रक्रिया को पांच बार दोहराएं, प्रत्येक गुना को एक बार सत्यापन सेट के रूप में उपयोग किया जा रहा है।
  2. सिलवटों 1 से 5 के लिए:
    1. चार तह से प्रशिक्षण डेटा का उपयोग करके मॉडल को प्रशिक्षित करने के लिए अनुभाग 5 दोहराएं।
    2. परीक्षण सेट के रूप में शेष गुना का उपयोग करके मॉडल का परीक्षण करने के लिए खंड 7.2 दोहराएं।

10. मॉडल मूल्यांकन

  1. भ्रम मैट्रिक्स
    1. परीक्षण के परिणामों के आधार पर, चार स्थितियां निम्नानुसार होंगी:
      1. ट्रू पॉजिटिव (टीपी): जब इनपुट इमेज सही होती है, और भविष्यवाणी भी सही होती है।
      2. गलत सकारात्मक (एफपी): जब इनपुट छवि झूठी होती है, लेकिन भविष्यवाणी सही होती है।
      3. गलत नकारात्मक (एफएन): जब इनपुट छवि सही है, लेकिन भविष्यवाणी झूठी है।
      4. ट्रू नेगेटिव (TN): जब इनपुट इमेज गलत होती है, और भविष्यवाणी भी गलत होती है।
    2. इन चार स्थितियों का उपयोग करते हुए, भ्रम मैट्रिक्स के साथ प्रदर्शन का मूल्यांकन करें।
  2. प्रदर्शन मूल्यांकन
    1. सबसे अधिक उपयोग किए जाने वाले वर्गीकरण प्रदर्शन मीट्रिक सटीकता, सटीकता, याद, विशिष्टता और F1-स्कोर मान हैं। भ्रम मैट्रिक्स से मूल्यों से मॉडल प्रदर्शन का मूल्यांकन करने के लिए उपयोग किए जाने वाले समीकरणों (1-6) में सभी मूल्यांकन मीट्रिक की गणना करें।
      Equation 1(1)
      Equation 2(2)
      Equation 3(3)
      Equation 4(4)
      Equation 5(5)
      Equation 6(6)
  3. आरओसी वक्र
    नोट: आरओसी वक्र विभिन्न थ्रेशोल्ड सेटिंग्स के साथ वर्गीकरण समस्याओं के लिए एक प्रदर्शन उपाय है। आरओसी वक्र (एयूसी) के तहत का क्षेत्र पृथक्करण की डिग्री या माप का प्रतिनिधित्व करता है, जबकि आरओसी एक संभावना वक्र है।
    1. आरओसी वक्र एक द्वि-आयामी ग्राफ है जिसमें क्रमशः वाई और एक्स अक्षों पर प्लॉट किए गए सच्चे सकारात्मक दर (टीपीआर) और झूठे सकारात्मक दर (एफपीआर) मान हैं। भ्रम मैट्रिक्स से प्राप्त टीपीआर और टीएफआर मूल्यों का उपयोग करके आरओसी घटता का निर्माण करें। टीपीआर मूल्य संवेदनशीलता के समान है; समीकरण (7) का उपयोग करके एफपीआर मान की गणना करें।
      Equation 7(7)
    2. TPR और FPR मान प्राप्त करने के बाद, Jupyter Notebook ओपन-सोर्स का उपयोग करके ROC वक्र को प्लॉट करें web पायथन वातावरण में उपकरण। एयूसी आरओसी वक्र विश्लेषण में प्रस्तावित मॉडल के प्रदर्शन का आकलन करने का एक प्रभावी तरीका है।
  4. पीआर वक्र
    1. पीआर वक्र के तहत क्षेत्र को मापकर मॉडल का मूल्यांकन करने के लिए पीआर वक्र का उपयोग करें। मॉडल की सटीकता की साजिश रचकर पीआर वक्र का निर्माण करें और मॉडल के आत्मविश्वास थ्रेशोल्ड कार्यों का उपयोग करके याद करें। क्योंकि पीआर वक्र भी एक द्वि-आयामी ग्राफ है, एक्स-अक्ष पर रिकॉल और वाई-अक्ष पर प्रेसिजन प्लॉट करें।
    2. पीआर वक्र प्लॉट करें, आरओसी वक्र की तरह, पायथन वातावरण में ओपन-सोर्स ज्यूपिटर नोटबुक वेब टूल का उपयोग करके। प्रेसिजन-रिकॉल कर्व (AUC) स्कोर के तहत का क्षेत्र मल्टीलेबल वर्गीकरण में भी सहायक है।

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

इस अध्ययन में, हाइब्रिड डीप लर्निंग एल्गोरिदम को ट्रिपैनोसोम परजीवी संक्रमण के साथ रक्त के नमूने की सकारात्मकता का स्वचालित रूप से अनुमान लगाने में मदद करने के लिए प्रस्तावित किया गया था। संग्रहीत, गिम्सा-सना हुआ रक्त फिल्मों को एक डार्कनेट रीढ़ तंत्रिका नेटवर्क के आधार पर ऑब्जेक्ट डिटेक्शन एल्गोरिदम का उपयोग करके परजीवी बनाम गैर-परजीवी को स्थानीयकृत और वर्गीकृत करने के लिए क्रमबद्ध किया गया था। पिछले मॉडल द्वारा प्राप्त किसी भी आयताकार बॉक्स भविष्यवाणी परिणाम के भीतर, सबसे अच्छा चयनित वर्गीकरण मॉडल चिकित्सकीय और पशु चिकित्सा महत्वपूर्ण ट्रिपैनोसोम की सभी तीन प्रजातियों को वर्गीकृत करने के लिए विकसित किया गया था टी। उपयोग किए गए हाइब्रिड मॉडल के अंतिम आउटपुट ने 100x सूक्ष्म छवियों की भिन्नता के खिलाफ प्रस्तावित मॉडल की मजबूती का खुलासा किया जो परजीवी के रक्त-चरण आकृति विज्ञान सहित भविष्यवाणी परिणाम को प्रभावित कर सकते हैं। इसके अलावा, पर्यावरणीय कारक समय, माइक्रोस्कोप के प्रकाश स्रोतों से तीव्रता और रक्त फिल्म तैयार करने के कौशल को संग्रहीत करके धुंधला रंग परिवर्तन की छवि गुणवत्ता को परेशान कर सकते हैं। फिर भी, सर्वश्रेष्ठ चयनित मॉडल उच्च प्रदर्शन के साथ लक्ष्य प्राप्त कर सकता है।

बहु-वर्ग लेबल का स्थानीयकरण और वर्गीकरण
चूंकि तेल-विसर्जन माइक्रोस्कोपी के तहत गिएम्सा धुंधला रक्त फिल्म से परजीवी प्रोटोजोआ का पता लगाना थकाऊ है और टर्न-अराउंड समय को लंबा करता है, इससे प्रवण त्रुटि पूर्वाग्रह होता है। अच्छी तरह से प्रशिक्षित-एआई दृष्टिकोणों को स्थानीयकरण और वर्गीकरण की सही भविष्यवाणी को बढ़ाने के लिए 416 x 416 पिक्सल और 3-आरजीबी रंग चैनलों की अलग-अलग फीचर विशेषताओं के साथ छवि डेटा के एक बड़े पूल की आवश्यकता होती है। प्रशिक्षण और अनुकूलन मॉडल के दौरान मापदंडों की संख्या 0.002 की सीखने की दर, 1,000 के बर्न-इन और 400,000 और 450,000 के बीच के चरणों के साथ स्थापित की गई है। कम प्रशिक्षण हानि लेकिन उच्च प्रशिक्षण सटीकता को 0.9 की गति, 0.1 के रंग और 0.0005 के क्षय के तहत इष्टतम स्तर या संतृप्ति माना जाता था। अनदेखी डेटा के साथ परीक्षण चरण में, यूनियन (आईओयू) पर चौराहे की अवधारणाओं और संभावना के प्रतिशत का उपयोग करके सही स्थानीयकरण और वर्गीकरण किया गया था। परीक्षण व्याख्या परिणाम 50% की सीमा और 0.4 के गैर-अधिकतम दमन (एनएमएस) पर किया गया था, जिसने एक% संभावना के साथ सही उत्तर दिया।

अध्ययन किए गए सभी परजीवी रक्त फिल्मों के साथ, गैर-ट्रिपैनोसोम से ट्रिपैनोसोम का भेदभाव एक पता लगाने वाले तंत्रिका नेटवर्क मॉडल का उपयोग करके किया गया है जो स्थानीयकरण और वर्गीकरण (चित्रा 1)22दोनों के लिए कार्य कर सकता है। प्रस्तावित पता लगाने कार्य की भविष्यवाणी परिणाम 93.10% (तालिका 1) की औसत औसत परिशुद्धता के साथ एक उत्कृष्ट परिणाम का पता चला. यद्यपि प्रशिक्षित डिटेक्शन मॉडल का उपयोग गैर-ट्रिपैनोसोम वर्ग की पहचान करने के लिए किया जा सकता है, जो कि ट्रिपैनोसोम परजीवी की पहचान करने के लिए उपयोग किया जाता है, यह हमें दोनों वर्ग लेबल के लिए 91% से अधिक सटीकता लाता है। इसके अलावा, परिशुद्धता बनाम याद वक्र 0.969 की एक अत्यधिक औसत एयूसी मूल्य से पता चला, जो परजीवी और 0.976 और 0.961 पर परजीवी के लिए एयूसी मूल्यों दिया, क्रमशः (चित्रा 2). इसने हमें खुद को आश्वस्त करने के लिए प्रेरित किया कि प्रशिक्षित मॉडल भरोसेमंद हो सकता है। पहले डिटेक्शन परिणाम के आयताकार बॉक्स को इन-हाउस CiRA CORE प्रोग्राम के तहत इमेज कैप्चर मॉड्यूल का उपयोग करके क्रॉप किया गया था। ऊपर उल्लिखित फसली छवियों को तीन फ़ोल्डरों में क्रमबद्ध किया गया था जो ट्रिपैनोसोम प्रजातियों के लिए विशिष्ट हैं। यह प्रक्रिया प्रशिक्षण वर्गीकरण मॉडल के लिए डेटा इनपुट करने के लिए तैयार की गई थी जिसे अगले उपधारा में चित्रित किया गया है।

वर्गीकरण मॉडल-वार वर्गीकरण
परजीवी की प्रसिद्ध प्रजातियों को वर्गीकृत करने के लिए एक उचित रूप से प्रशिक्षित मॉडल खोजने के लिए, टी. ब्रूसी, टी. क्रूज़ी और टी. इवांसी को उन फ़ोल्डरों में रखा गया था जिन्हें उनके सापेक्ष वर्ग के नाम सौंपे गए थे। एआई प्रशिक्षण के दौरान, 256 x 256 पिक्सल छवियों को तीन आरजीबी चैनलों में खिलाया गया, 0.1 की सीखने की दर, 1000 का बर्न-इन, 0.9 का गति, 0.1 का रंग, और 0.0005 का क्षय। इष्टतम प्रशिक्षित मॉडल खोजने के लिए प्रशिक्षण हानि और प्रशिक्षण सटीकता का उपयोग किया गया था। वर्गीकरण भविष्यवाणी का विश्लेषण पिक्सेल-वार निर्धारण और% संभावना की अवधारणाओं का उपयोग करके 50% की सीमा पर किया गया था।

तीन लोकप्रिय वर्गीकरण तंत्रिका नेटवर्क एल्गोरिदम की तुलना सबसे अच्छाएक 27,30 खोजने के लिए अध्ययन किया गया था. इन तीन तंत्रिका नेटवर्क का व्यापक रूप से चिकित्सा और पशु चिकित्सा क्षेत्रों में मल्टीक्लास लेबल को वर्गीकृत करने में उपयोग किया गया है 27,34,35. 0 से 1 रैंक वाले % संभावना वाले प्रशिक्षित मॉडल का अनुमान परिणाम 50% की सीमा से ऊपर उचित था। इसके अतिरिक्त, प्रत्येक परजीवी के विभिन्न पैटर्न पहचानों को हाइलाइट किया गया था और ध्यान मानचित्र द्वारा टी. इवांसी के मध्य भाग के नाभिक के लिए विशिष्ट था। अन्य दो प्रजातियों की तुलना में टी. क्रूज़ी के पूर्वकाल भाग के सबसे बड़े कीनेटोप्लास्ट ऑर्गेनेल पर भी प्रकाश डाला गया। दोनों nuclease और kinetoplast टी के लिए पाया ध्यान नक्शा द्वारा जोर दिया गया. brucei (चित्रा 3).

प्रस्तावित उन तीन मॉडलों को मापने के लिए कई सांख्यिकीय मैट्रिक्स का उपयोग किया गया था, जिनमें सटीकता, गलत वर्गीकरण दर, याद (सही सकारात्मक दर), विशिष्टता (सच्ची नकारात्मक दर), झूठी सकारात्मक दर, झूठी नकारात्मक दर, सटीकता और एफ 1 स्कोर शामिल हैं। नतीजतन, Densenet201 तंत्रिका नेटवर्क का उपयोग करने वाले लगभग सभी मूल्यांकन मैट्रिक्स ने दूसरों के लिए बेहतर मूल्य दिखाए। औसतन, सटीकता, याद, विशिष्टता, सटीकता और F1 स्कोर के मीट्रिक मान उल्लेखनीय रूप से अधिक और 98% के बराबर थे। हालांकि, मॉडल प्रदर्शन महत्व गलत वर्गीकरण, झूठी सकारात्मक, और झूठी नकारात्मक दरों (तालिका 2) के 1.5% से कम और बराबर का पता चला। वर्ग-वार तुलना को ध्यान में रखते हुए, डेंसेनेट 201 मॉडल अनदेखी परीक्षण डेटा के साथ ऐसा करते समय त्रुटि के बिना टी इवांसी की सही पहचान करता है, यह सुझाव देता है कि संभावित प्रशिक्षित मॉडल परजीवी प्रजातियों को अलग करने के लिए है।

चित्रा 4 ए-सी में, आरओसी वक्र के तहत एयूसी ने सबसे अच्छा वर्गीकरण मॉडल(चित्रा 4सी)से प्राप्त 0.931 पर औसत सटीकता की सबसे बड़ी डिग्री दी, जो अध्ययन किए गए सर्वोत्तम चयनित मॉडल की पुष्टि करने का प्रतिनिधि था। टी. इवांसी का एयूसी 0.817 था, जो दूसरों की तुलना में कम है (टी. ब्रुसी के लिए 0.980-1.00 और टी. क्रूज़ी के लिए 0.955-0.977) और उपरोक्त सांख्यिकीय मैट्रिक्स के विपरीत। ऐसा इसलिए हो सकता है क्योंकि इन दो मानों की गणना विभिन्न सूत्रों द्वारा की जाती है। एयूसी सभी थ्रेसहोल्ड से प्राप्त किया गया था, लेकिन सांख्यिकीय मैट्रिक्स केवल 50% की सीमा से, इन दो मूल्यों की तुलना नहीं की जा सकती है। इसलिए, सभी तीन मॉडलों से प्राप्त वर्ग नामों द्वारा लगातार एयूसी मान क्रमशः टी. ब्रुसी > टी. क्रूज़ी > टी. इवांसी की सामान्य सटीकता का संकेत देते हैं।

के-फोल्ड क्रॉस सत्यापन
सही भविष्यवाणी त्रुटि का आकलन करने और36 से ऊपर वर्णित मॉडल मापदंडों को ट्यून करने के संदर्भ में अध्ययन किए गए सर्वोत्तम-चयनित वर्गीकरण मॉडल की मजबूती का आकलन करने के लिए, पांच गुना क्रॉस-सत्यापन तकनीक का उपयोग किया गया था। डेटा का पांच फ़ोल्डरों में यादृच्छिक विभाजन किया गया था। चार-फ़ोल्डरों द्वारा प्रशिक्षित डेटा सौंपा गया और बाकी फ़ोल्डर के लिए परीक्षण किए गए डेटा चयनित वर्गीकरण एल्गोरिथ्म के साथ प्रशिक्षण से पहले तैयार किए गए थे।

नतीजतन, औसत सांख्यिकीय मैट्रिक्स; सटीकता, याद (सच सकारात्मक दर), विशिष्टता (सच नकारात्मक दर), परिशुद्धता, और F1 स्कोर, सांख्यिकीय मैट्रिक्स के समान मूल्यों का अध्ययन किया है कि 98% से अधिक दिखाया (तालिका 3). अध्ययन किए गए प्रत्येक मीट्रिक को ध्यान में रखते हुए, सटीकता में 0.992-1.000 की रैंकिंग पाई गई। 0.994 से 1.000 तक के उच्च विशिष्टता मान प्रदान किए गए थे। 0.988 से 1.000 तक के रिकॉल और F1 स्कोर दोनों दिखाए गए, इसी तरह, 0.989-1.000 का सटीकता से अध्ययन किया गया। दिलचस्प बात यह है कि गलत वर्गीकरण, झूठी नकारात्मक और झूठी सकारात्मकता की कम दर 1.2% से कम पाई गई। इस गुणवत्ता प्रदर्शन ने विभिन्न डेटा सिलवटों के साथ उत्कृष्ट प्रशिक्षित मॉडल का समर्थन किया और मजबूती का प्रतिनिधित्व किया।

प्रस्तावित मैट्रिक्स के साथ, आरओसी वक्र के तहत औसत एयूसी प्राप्त 0.937 से 0.944 तक बंद मूल्यों का पता चला, डेटा के पांच गुना (चित्रा 5) के बीच सामान्य सटीकता के समान मूल्य दे रही है। वर्ग-वार तुलना ने टी इवांसी के लिए 0.831, टी क्रूज़ी के लिए 0.982-1.000 और टी ब्रूसी के लिए 1.000 का एक विविध एयूसी प्रदान किया। हालांकि टी. इवांसी के एयूसी मूल्य दूसरों की तुलना में कम था, मूल्यों झूठी सकारात्मक दर (~ 33%) थ्रेसहोल्ड 1% से संबंधित 97% जो छोटे एयूसी मूल्यों में परिणाम जब अन्य दो वर्गों (चित्रा 6) के उन लोगों की तुलना में से संबंधित के संपर्क में किया जा सकता है.

हाइब्रिड डीप लर्निंग एक प्रैक्टिकल स्क्रीनिंग
इस खंड में, ऑब्जेक्ट डिटेक्शन के बीच हाइब्रिड डीप लर्निंग दृष्टिकोण का योगदान और दूसरी ओर, वर्गीकरण तकनीक को चित्र 7 में दिखाया गया है। परजीवी और गैर-परजीवी विशेषताओं को प्रतिष्ठित किया गया था और उनके रिश्तेदार वर्गों को पहले पहचान मॉडल का उपयोग करके गुलाबी बाउंडिंग बॉक्स के भीतर पहचाना गया था। इसके बाद, परजीवी की विशिष्ट प्रजातियों को अच्छी तरह से प्रशिक्षित वर्गीकरण मॉडल का उपयोग करके विभिन्न रंगों में निदान किया गया था। हरा लेबल टी. इवांसी के लिए था, टी. ब्रुसी के लिए गुलाबी लेबल और टी. क्रूज़ी के लिए नारंगी लेबल। दूसरा वर्गीकरण लेबल नहीं दिखाया जाएगा यदि पहला डिटेक्शन मॉडल विफल हो गया, इन-हाउस CIRA CORE प्लेटफॉर्म के DC मॉड्यूल में इन दो अलग-अलग तंत्रिका नेटवर्क बैकबोन के बीच अच्छी तरह से जुड़े कार्यों का सुझाव देता है।

Figure 1
चित्र 1: हाइब्रिड मॉडल के लिए आर्किटेक्चर। ट्रिपैनोसोम की सभी तीन परजीवी प्रजातियां ( ट्रिपैनोसोमा इवांसी, टी. ब्रुसी और टी. क्रूज़ी सहित) का उपयोग इनपुट के रूप में किया गया था। डिटेक्शन मॉडल का उपयोग करके 100x सूक्ष्म छवि के भीतर बहु-वस्तुओं का पता लगाया गया था। पिछले मॉडल से एक एकल फसली वस्तु को तब सर्वोत्तम-वर्गीकरण मॉडल का उपयोग करके इसकी सापेक्ष प्रजातियों के अनुसार वर्गीकृत किया गया था। सर्वोत्तम वर्गीकरण मॉडल के साथ एकीकृत एक ध्यान मानचित्र प्रत्येक वर्ग लेबल के लिए विशिष्ट क्षेत्रों पर प्रकाश डाला गया। कृपया इस चित्र का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.

Figure 2
चित्रा 2: पीआर वक्र। इस अध्ययन में पीआर वक्र, या एयूसी मूल्य के तहत क्षेत्र का उपयोग गैर-ट्रिपैनोसोम और ट्रिपैनोसोम वर्गों के बीच भेदभाव करने की क्षमता को मापने के लिए किया जाता है। सभी नमूनों दोनों वर्ग लेबल पर पता लगाया जा सकता है. 1 का एयूसी एक आदर्श भविष्यवाणी है, जबकि 0.5 का एयूसी एक यादृच्छिक भविष्यवाणी है। वक्र का उपयोग प्रस्तावित पहचान मॉडल के प्रदर्शन को मापने के लिए किया जाता है। यह मॉडल गैर-ट्रिपैनोसोम वर्ग (एयूसी = 0.961) की तुलना में उच्च दर (एयूसी = 0.976) पर ट्रिपैनोसोम वर्ग का पता लगा सकता है। 0.969 का औसत एयूसी मूल्य दो वर्ग लेबल, गैर-ट्रिपैनोसोम और ट्रिपैनोसोम के द्विआधारी परिणाम से प्राप्त किया गया था। संक्षिप्ताक्षर: पीआर = सटीक बनाम याद; AUC = वक्र के नीचे का क्षेत्रफल। कृपया इस चित्र का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.

Figure 3
चित्रा 3: वर्गीकरण मॉडल का भविष्य कहनेवाला परिणाम। सभी तीन ट्रिपैनोसोम प्रजातियों का उपयोग सर्वोत्तम प्रस्तावित प्रशिक्षित मॉडल का परीक्षण करने के लिए किया गया था। प्रजातियों के वर्गीकरण-आधारित संभावना और ध्यान मानचित्रों की आउटपुट छवियां दिखाई जाती हैं। विशेष रूप से, ध्यान मानचित्रों ने अनदेखी वस्तु के भीतर महत्वपूर्ण क्षेत्रों पर प्रकाश डाला जो परजीवी प्रजातियों के भेदभाव का मार्गदर्शन कर रहे थे। कृपया इस चित्र का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.

Figure 4
चित्रा 4: मॉडल-वार तुलना-आधारित आरओसी घटता। आरओसी वक्र के तहत एयूसी भेदभाव की अपनी विविध सीमा के आधार पर एक वर्गीकरण प्रणाली के प्रदर्शन का एक चित्रमय भूखंड है। AUC-PR वक्र के समान, 1 का AUC-ROC एक आदर्श भविष्यवाणी है, जबकि 0.5 का AUC एक यादृच्छिक भविष्यवाणी है, जो प्रत्येक ग्राफ में धराशायी रेखाओं द्वारा इंगित किया जाता है। तीन वर्गीकरण मॉडल की तुलना की गई, सहित (ए) 0.925 के औसत एयूसी के साथ 1सेंट वर्गीकरण मॉडल, (बी) 0.924 के औसत एयूसी के साथ 2एन डी वर्गीकरण, और (सी) 0.931 के औसत एयूसी के साथ सबसे अच्छा वर्गीकरण। इसलिए, एयूसी जितना अधिक होगा, प्रदर्शन उतना ही बेहतर होगा। संक्षिप्ताक्षर: आरओसी = रिसीवर ऑपरेटिंग विशेषताओं; AUC = वक्र के नीचे का क्षेत्रफल। कृपया इस चित्र का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.

Figure 5
चित्रा 5: पांच गुना पार सत्यापन। सर्वोत्तम वर्गीकरण तंत्रिका नेटवर्क मॉडल पर आधारित सभी प्रयोगों की तुलना की गई। पांच गुना डेटा के इसी तरह के एयूसी मूल्यों में (ए) 0.944, (बी) 0.944, (सी) 0.937, (डी) 0.941, और (ई) 0.938 शामिल हैं, जो जैविक डेटा की भिन्नता के खिलाफ उपयोग किए जाने वाले प्रस्तावित प्रशिक्षित मॉडल की मजबूती का सुझाव देते हैं। कृपया इस चित्र का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.

Figure 6
चित्रा 6: प्रति वर्ग नाम सही सकारात्मक दर और झूठी सकारात्मक दर। X-अक्ष 1% से 97% तक थ्रेसहोल्ड का प्रतिनिधि है। वाई-अक्ष सांख्यिकीय मैट्रिक्स की डिग्री का प्रतिनिधि है। कृपया इस चित्र का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.

Figure 7
चित्रा 7: हाइब्रिड मॉडल का अंतिम आउटपुट। हाइब्रिड मॉडल योगदान के अंतिम चरण को इनपुट डेटा के साथ कच्चे सूक्ष्म छवि के रूप में 20 माइक्रोन तक लागू किया जा सकता है। भविष्य कहनेवाला परिणाम ऑब्जेक्ट डिटेक्शन और वर्गीकरण मॉडल दोनों से प्राप्त किया जा सकता है। पहला भविष्य कहनेवाला परिणाम प्रदान किया गया कि क्या अनदेखी परीक्षण छवि में एक आयत (गुलाबी रंग के लेबल) के साथ ट्रिपैनोसोम परजीवी थे। फिर परजीवी प्रजातियों के लिए विशिष्ट वर्गीकरण परिणामों के बाद बहु-रंग लेबल के साथ पहली पहचान की जाएगी; टी इवांसी के लिए हरा, टी ब्रूसी के लिए गुलाबी, और टी क्रूज़ी के लिए नारंगी। कृपया इस चित्र का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.

तालिका 1: वर्ग द्वारा औसत सटीकता और डिटेक्शन मॉडल का औसत औसत परिशुद्धता (एमएपी)। कृपया इस तालिका को डाउनलोड करने के लिए यहां क्लिक करें।

तालिका 2: वर्गीकरण मॉडल-वार तुलना। मॉडल के प्रदर्शन को मापने के लिए आठ मूल्यांकन मेट्रिक्स का उपयोग किया गया था, जिसमें सटीकता, गलत वर्गीकरण दर, याद (सही सकारात्मक दर), विशिष्टता (सच्ची नकारात्मक दर), झूठी सकारात्मक दर, झूठी नकारात्मक दर, सटीकता और एफ 1-स्कोर शामिल हैं। बोल्ड मूल्य प्रति वर्ग लेबल के सबसे बड़े मूल्य का प्रतिनिधि है। इटैलिक मान प्रत्येक मूल्यांकन मीट्रिक के औसत मूल्य का प्रतिनिधि है। कृपया इस तालिका को डाउनलोड करने के लिए यहां क्लिक करें।

तालिका 3: पांच गुना क्रॉस-सत्यापन। बोल्ड मान प्रति मूल्यांकन मीट्रिक औसत मूल्य का प्रतिनिधि है। कृपया इस तालिका को डाउनलोड करने के लिए यहां क्लिक करें।

Subscription Required. Please recommend JoVE to your librarian.

Discussion

ट्रिपैनोसोमा प्रोटोजोआ संक्रमण के लिए सूक्ष्म अवलोकन प्रारंभिक और आमतौर पर उपयोग किया जाता है, विशेष रूप से दूरदराज के क्षेत्रों में निगरानी के दौरान जहां कुशल तकनीशियनों और श्रम-गहन और समय लेने वाली प्रक्रियाओं की कमी होती है जो स्वास्थ्य संगठन को समय पर रिपोर्ट करने के लिए सभी बाधाएं हैं। यद्यपि इम्यूनोलॉजी और पोलीमरेज़ चेन रिएक्शन (पीसीआर) जैसी आणविक जीव विज्ञान तकनीकों को प्रयोगशाला निष्कर्षों की प्रभावशीलता का समर्थन करने के लिए उच्च संवेदनशीलता विधियों के रूप में अनुमोदित किया गया है, उनसे निपटने के लिए महंगे रसायनों, उपकरणों और पेशेवरों की आवश्यकता होती है, जो ज्यादातर एक केंद्रीय प्रयोगशाला में स्थित हैं एक बड़े स्वास्थ्य केंद्र में। साझा आकृति विज्ञान, मिश्रित और अपरिपक्व संक्रमण, और तीन ट्रिपैनोसोमा प्रजातियों की विशेषताओं को उपयोगकर्ता पूर्वाग्रह और गलत पहचान का खतरा है, दवा प्रतिक्रिया और नियंत्रण उपाय37 को कम करना। प्रस्तावित एआई कार्यक्रम के भीतर दो अलग-अलग गहन शिक्षण मॉडल के बीच संशोधित और हाइब्रिड एल्गोरिदम का उपयोग करने से कई चुनौतियों को दूर किया जा सकता है, जिससे मानक वर्गीकरण का एक नया युग स्वचालित और प्राप्त किया जा सकता है। पिछले प्रकाशनों मलेरिया रक्त चरणों27,38 की पहचान करने में संकर मॉडल की क्षमता की पुष्टि की है. यहां प्रस्तावित एआई मॉडल के प्रशिक्षण, परीक्षण और मूल्यांकन के लिए प्रोटोकॉल की व्याख्या है, जो एक सूक्ष्म क्षेत्र के तहत परजीवी प्रोटोजोआ की व्यावहारिक पहचान और आगे की मात्रा का विश्लेषण करने के लिए एक सरलीकृत प्रक्रिया के साथ तीन प्रसिद्ध ट्रिपैनोसोमा प्रजातियों के परिपक्व चरणों को पहचानने के लिए है।

प्रस्तावित मॉडल यादृच्छिक वन एल्गोरिथ्म का उपयोग करके मशीन लर्निंग मॉडल से परे दिखता है, जिसे रक्त स्मीयर नमूनों से टी क्रूज़ी के संक्रमण की पहचान करने के लिए लागू किया गया है। मशीन लर्निंग मॉडल ने 87.6% की सटीकता, 90.5% की संवेदनशीलता, और 0.94239 के रिसीवर ऑपरेटिंग विशेषता वक्र के तहत एक क्षेत्र हासिल किया। 2015 में, रक्त स्मीयरों में मलेरिया संक्रमण से टी क्रूज़ी को अलग करने के लिए एडाबूस्ट लर्निंग और एसवीएम लर्निंग नामक दो तरीकों का आयोजन किया गया था। हालांकि संवेदनशीलता और विशिष्टता दोनों की एक उच्च डिग्री की सूचना दी गई थी, कम आयाम 256 × 256 पिक्सल की 120 रंग छवियों के सीमित डेटासेट का अध्ययन किया गया था, जो पूरी आबादी40 का प्रतिनिधि नहीं हो सकता है। इस अध्ययन में, तीन प्रसिद्ध जूनोटिक ट्रिपैनोसोमा प्रजातियों (जैसे, टी. क्रूज़ी, टी. ब्रुसी, और टी. इवांसी) को प्रस्तावित हाइब्रिड मॉडल का उपयोग करके अलग किया गया था, जिसने ऊपर वर्णित पिछले अध्ययनों से बेहतर प्रदर्शन किया था। यह गहन शिक्षण मॉडल की लागत-प्रभावशीलता का प्रतिनिधित्व करता है। फिर भी, कई बड़े डेटासेट को इसके सामान्यीकरण41 की पुष्टि करने के लिए प्रस्तावित मॉडल के प्रदर्शन के सत्यापन की आवश्यकता हो सकती है। लेविसी में मनुष्यों को अवसरवादी रूप से संक्रमित करने की क्षमता है, और इसे चूहों द्वारा प्रेषित एक उभरती हुई जूनोटिक बीमारी के रूप में पहचाना जाता है, जो अक्सर खराब परिस्थितियों से जुड़ा होता है। कुछ देशों में मामलों का दस्तावेजीकरण किया गया है, जैसे थाईलैंड और चीन 20,42। इसके अलावा, टी. इवांसी और टी. लेविसी की आकृति विज्ञान एक हड़ताली समानता17 है। डेटासेट और प्रस्तावित मॉडल को बढ़ाने के लिए, टी. लेविसी के अधिक उदाहरणों को शामिल करना भविष्य में एक गहन शिक्षण मॉडल के विकास में फायदेमंद हो सकता है। अतिरिक्त पशु ट्रिपैनोसोमोस के निदान के लिए संभावित गहरी सीखने की तकनीकों के दायरे को व्यापक बनाने के लिए, अन्य प्रजातियों जैसे टी. विवैक्स, टी. थीलेरिया और टी. मेलोफैगियम के लिए डेटासेट इकट्ठा करना उचित है। पता करने के लिए एक महत्वपूर्ण चुनौती विभिन्न ट्रिपैनोसोमा प्रजातियों से जुड़े मिश्रित संक्रमणों का निदान है, क्योंकि एंटीबॉडी का पता लगाने के तरीके क्रॉस-प्रतिक्रियाओंके कारण कम विशिष्टता प्रदर्शित कर सकते हैं। कृत्रिम बुद्धिमत्ता अनुप्रयोगों को आगे बढ़ाने और पशुधन, मनुष्यों और पर्यावरण के स्वास्थ्य की सुरक्षा के लिए नैदानिक तकनीकों को बढ़ाना और मजबूत करना आवश्यक है।

परजीवी प्रोटोजोआ की 2 डी छवि को पहचानने के लिए प्रस्तावित एआई कार्यक्रम को प्रशिक्षित करने से पहले, इसे पूरा करने के लिए आवश्यक महत्वपूर्ण मानदंड, जैसे कि एक बड़ा नमूना आकार, वर्ग संतुलन, डेटा वृद्धि और विशेषज्ञों द्वारा गुणवत्ता लेबलिंग। महत्वपूर्ण चरणों के रूप में, प्रशिक्षण चरण के त्रुटि संकेत को पेशेवरों द्वारा डार्कनेट और डेंसेनेट एल्गोरिदम दोनों के लिए जमीनी सच्चाई लेबल को पुन: पेश करने के लिए सुलझाया जा सकता है। प्रस्तावित एआई कार्यक्रम का एक प्रमुख लाभ आसान ड्रैग-एंड-ड्रॉप चरणों के माध्यम से गैर-कोडिंग उपयोगकर्ताओं के लिए इसका अनुकूल उपयोग है। एक अन्य महत्वपूर्ण विशेषता वर्गीकरण मॉडल के साथ एकीकृत डिटेक्शन संस्करण और ध्यान मानचित्र का संयोजन मॉड्यूल है, जो कच्चे छवि फ़ाइल प्रारूप के बारे में चिंता किए बिना अनदेखी डेटा को जितनी जल्दी हो सके परीक्षण करने में मदद करता है। ऐसा इसलिए है क्योंकि छवि प्रारूपों की एक विस्तृत श्रृंखला का उपयोग किया जा सकता है, जिसमें .jpeg, .jpg, .png, .tif, .tiff, .pdf और .bmp शामिल हैं। माइक्रोस्कोप के सी-माउंट घटक के साथ एआई प्रोग्राम के अनुप्रयोग से दूरस्थ क्षेत्रों में वास्तविक समय का पता लगाया जा सकता है।

विधि की सीमाएं पूर्व-प्रशिक्षण चरण में प्रस्तावित प्रोटोकॉल को प्रभावित कर सकती हैं। एआई मॉडल का प्रशिक्षण शुरू होने से पहले, कुछ आवश्यकताओं को अच्छी तरह से तैयार किया जाना चाहिए, विशेष रूप से, डेटासेट गुणवत्ता और विशेषज्ञ लेबल। डेटासेट के भीतर, एक छोटे से नमूने के आकार और वर्ग के असंतुलन ने मॉडल को वैश्विक मिनिमा तक पहुंचने के लिए प्रेरित किया और इष्टतम चरण तक पहुंचने में कठिनाई हुई। एक बड़े नमूना आकार का उपयोग और डेटा को संतुलित करने से प्रशिक्षण के दौरान उच्च सटीकता और कम नुकसान के साथ मॉडल को अनुकूलित करने में मदद मिलती है। प्रोटोजोआ के जीवन-चक्र की अवधि के माध्यम से विकास के चरण और गिएम्साधुंधला 27,44, पर्यावरण और छवि तराजू, दोनों गहन शिक्षण मॉडल के प्रशिक्षण में खिलाने से पहले सामान्यीकृत होने की इच्छा के रूप में छवियों की भिन्नता। ऊपर वर्णित प्रस्तावित समस्याओं को ठीक करने के लिए, विभिन्न वृद्धि कार्यों जैसे रोटेशन कोण, चमक और कंट्रास्ट, ऊर्ध्वाधर और क्षैतिज फ़्लिप, गाऊसी शोर और गाऊसी धुंधला, का उपयोग प्रीट्रेनिंग चरण45 से निपटने के लिए किया जा सकता है।

प्रस्तावित हाइब्रिड एआई मॉडल का महत्वपूर्ण अनुप्रयोग माइक्रोस्कोप, जमे हुए छवियों और वीडियो क्लिप से कच्चे डेटा के रूप में सूक्ष्म डेटा में वास्तविक समय में परजीवी प्रोटोजोआ की पहचान करना है। यह हमें एम्बेडेड-एज डिवाइस46, क्लाउड-आधारित मोबाइल एप्लिकेशन47, ब्राउज़र यूजर इंटरफेस (बीयूआई)48, और वेब-आधारित मॉडल परिनियोजन49 के साथ प्रशिक्षित मॉडल को तैनात करने की अनुमति देता है। नतीजतन, एआई मॉडल में सक्रिय निगरानी के लिए हाइब्रिड डीप लर्निंग को लागू करने और मिलीसेकंड के भीतर स्थानीय कर्मचारियों के निर्णय का समर्थन करने की क्षमता के कारण समय पर परिणाम प्रदान करने की क्षमता है, जो सहायक महामारी विज्ञान के लिए स्वचालित स्क्रीनिंग तकनीक का सुझाव देता है।

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

सभी लेखकों के पास कोई वित्तीय प्रकटीकरण नहीं है और हितों का कोई टकराव नहीं है।

Acknowledgments

यह काम (न्यू स्कॉलर के लिए अनुसंधान अनुदान, अनुदान सं। आरजीएनएस 65 - 212) को स्थायी सचिव, उच्च शिक्षा, विज्ञान, अनुसंधान और नवाचार मंत्रालय (ओपीएस एमएचईएसआई), थाईलैंड विज्ञान अनुसंधान और नवाचार (टीएसआरआई) और किंग मोंगकुट के प्रौद्योगिकी संस्थान लाडक्राबांग के कार्यालय द्वारा वित्तीय रूप से समर्थित किया गया था। हम अनुसंधान परियोजना के वित्तपोषण के लिए थाईलैंड की राष्ट्रीय अनुसंधान परिषद (NRCT) [NRCT5-RSA63001-10] के आभारी हैं। एमके को थाईलैंड साइंस रिसर्च एंड इनोवेशन फंड चुलालोंगकोर्न विश्वविद्यालय द्वारा वित्त पोषित किया गया था। हम कॉलेज ऑफ एडवांस्ड मैन्युफैक्चरिंग इनोवेशन, किंग मोंगकुट इंस्टीट्यूट ऑफ टेक्नोलॉजी, लाडक्राबांग को भी धन्यवाद देते हैं जिन्होंने अनुसंधान परियोजना का समर्थन करने के लिए गहन शिक्षण मंच और सॉफ्टवेयर प्रदान किया है।

Materials

Name Company Catalog Number Comments
Darknet19, Darknet53 and Densenet201 Gao Huang, Z. L., Laurens van der Maaten. Densely Connected Convolutional Networks. arXiv:1608.06993 [cs.CV]. (2016) https://github.com/liuzhuang13/DenseNet  Deep convolutional neural network model that can function to  classification
Generic name: YOLO model/ detection model?
Olympus CX31 Model CX31RRBSFA  Olympus, Tokyo, Japan SN 4G42178  A light microscope 
Olympus DP21-SAL U-TV0.5XC-3  Olympus, Tokyo, Japan SN 3D03838 A digital camera
Generic name: Classification models/ densely CNNs
Window 10 Microsoft Window 10 Operation system in computers
YOLO v4-tiny  Naing, K. M. et al. Automatic recognition of parasitic products in stool examination using object detection approach. PeerJ Comput Sci. 8 e1065, (2022). https://git.cira-lab.com/users/sign_in Deep convolutional neural network model that can function to both localization and also classification 
https://git.cira-lab.com/users/sign_in

DOWNLOAD MATERIALS LIST

References

  1. Kasozi, K. I., et al. Epidemiology of trypanosomiasis in wildlife-implications for humans at the wildlife interface in Africa. Frontiers in Veterinary Science. 8, 621699 (2021).
  2. Ola-Fadunsin, S. D., Gimba, F. I., Abdullah, D. A., Abdullah, F. J. F., Sani, R. A. Molecular prevalence and epidemiology of Trypanosoma evansi among cattle in peninsular Malaysia. Acta Parasitologica. 65 (1), 165-173 (2020).
  3. Aregawi, W. G., Agga, G. E., Abdi, R. D., Buscher, P. Systematic review and meta-analysis on the global distribution, host range, and prevalence of Trypanosoma evansi. Parasites & Vectors. 12 (1), 67 (2019).
  4. Joshi, P. P., et al. Human trypanosomiasis caused by Trypanosoma evansi in India: the first case report. The Am Journal of Tropical Medicine and Hygiene. 73 (3), 491-495 (2005).
  5. Lidani, K. C. F., et al. Chagas disease: from discovery to a worldwide health problem. Frontiers in Public Health. 7, 166 (2019).
  6. Sazmand, A., Desquesnes, M., Otranto, D. Trypanosoma evansi. Trends in Parasitology. 38 (6), 489-490 (2022).
  7. Powar, R. M., et al. A rare case of human trypanosomiasis caused by Trypanosoma evansi.Indian. Journal of Medical Microbiology. 24 (1), 72-74 (2006).
  8. Shegokar, V. R., et al. Short report: Human trypanosomiasis caused by Trypanosoma evansi in a village in India: preliminary serologic survey of the local population. American Journal of Tropical Medicine and Hygiene. 75 (5), 869-870 (2006).
  9. Haridy, F. M., El-Metwally, M. T., Khalil, H. H., Morsy, T. A. Trypanosoma evansi in dromedary camel: with a case report of zoonosis in greater Cairo, Egypt. Journal of the Egyptian Society of Parasitology. 41 (1), 65-76 (2011).
  10. Dey, S. K. CATT/T.evansi antibody levels in patients suffering from pyrexia of unknown origin in a tertiary care hospital in Kolkata. Research Journal of Pharmaceutical, Biological and Chemical Sciences. 5, 334-338 (2014).
  11. Dakshinkar, N. P., et al. Aberrant trypanosomias in human. Royal Veterinary Journal of India. 3 (1), 6-7 (2007).
  12. Vn Vinh Chau, N., et al. A clinical and epidemiological investigation of the first reported human infection with the zoonotic parasite Trypanosoma evansi in Southeast Asia. Clinical Infectious Diseases. 62 (8), 1002-1008 (2016).
  13. Misra, K. K., Roy, S., Choudhary, A. Biology of Trypanosoma (Trypanozoon) evansi in experimental heterologous mammalian hosts. Journal of Parasitic Diseases. 40 (3), 1047-1061 (2016).
  14. Nakayima, J., et al. Molecular epidemiological studies on animal trypanosomiases in Ghana. Parasites & Vectors. 5, 217 (2012).
  15. Riana, E., et al. The occurrence of Trypanosoma in bats from Western Thailand. The 20th Chulalongkorn University Veterinary Conference CUVC 2021: Research in practice. 51, Bangkok, Thailand. (2021).
  16. Camoin, M., et al. The Indirect ELISA Trypanosoma evansi in equids: optimisation and application to a serological survey including racing horses, in Thailand. BioMed Research International. 2019, 2964639 (2019).
  17. Truc, P., et al. Atypical human infections by animal trypanosomes. PLoS Neglected Tropical Diseases. 7 (9), 2256 (2013).
  18. Desquesnes, M., et al. Diagnosis of animal trypanosomoses: proper use of current tools and future prospects. Parasites & Vectors. 15 (1), 235 (2022).
  19. Da Silva, A. S., et al. Trypanocidal activity of human plasma on Trypanosoma evansi in mice. Revista Brasileira de Parasitologia Veterinaria. 21 (1), 55-59 (2012).
  20. Desquesnes, M., et al. Trypanosoma evansi and surra: a review and perspectives on transmission, epidemiology and control, impact, and zoonotic aspects. BioMed Research International. 2013, 321237 (2013).
  21. World Health Organization. A new form of human trypanosomiasis in India. Description of the first human case in the world caused by Trypanosoma evansi. Weekly Epidemiological Record. 80 (7), 62-63 (2005).
  22. Naing, K. M., et al. Automatic recognition of parasitic products in stool examination using object detection approach. PeerJ Computer Science. 8, 1065 (2022).
  23. Wongsrichanalai, C., Barcus, M. J., Muth, S., Sutamihardja, A., Wernsdorfer, W. H. A review of malaria diagnostic tools: microscopy and rapid diagnostic test (RDT). American Journal of Tropical Medicine and Hygiene. 77, 119-127 (2007).
  24. Rostami, A., Karanis, P., Fallahi, S. Advances in serological, imaging techniques and molecular diagnosis of Toxoplasma gondii infection. Infection. 46 (3), 303-315 (2018).
  25. Ahmad, Z., Rahim, S., Zubair, M., Abdul-Ghafar, J. Artificial intelligence (AI) in medicine, current applications and future role with special emphasis on its potential and promise in pathology: present and future impact, obstacles including costs and acceptance among pathologists, practical and philosophical considerations. A comprehensive review. Diagnostic Pathology. 16 (1), 24 (2021).
  26. Sarker, I. H. Deep learning: a comprehensive overview on techniques, taxonomy, applications and research directions. SN Computer Science. 2 (6), 420 (2021).
  27. Kittichai, V., et al. Classification for avian malaria parasite Plasmodium gallinaceum blood stages by using deep convolutional neural networks. Scientific Reports. 11 (1), 16919 (2021).
  28. Baskota, S. U., Wiley, C., Pantanowitz, L. The next generation robotic microscopy for intraoperative teleneuropathology consultation. Journal of Pathology Informatics. 11, 13 (2020).
  29. Bochkovskiy, A., Wang, C. -Y., Liao, H. -Y. M. YOLOv4: optimal speed and accuracy of object detection. arXiv. , 10934 (2004).
  30. Huang, G., Liu, Z., vander Maaten, L., Weinberger, K. Q. Densely connected convolutional networks. arXiv. , 06993 (2018).
  31. CDC-DPDx. Diagnostic procedures - Blood specimens. , Available from: https://www.cdc.gov/dpdx/diagosticprocedures/blood/specimenproc.html#print (2020).
  32. World Health Organization. Control and surveillance of African trypanosomiasis: report of a WHO expert committee. WHO Technical Report Series 881. , Available from: https://iris.who.int/bitstream/handle/10665/42087/WHO_TRS_881.pdf?sequence=1 (1998).
  33. Leber, A. L. Detection of blood parasites. Clinical Microbiology Procedures Handbook. , ASM Press. Washington, DC. (2022).
  34. Huang, L. -P., Hong, M. -H., Luo, C. -H., Mahajan, S., Chen, L. -J. A vector mosquitoes classification system based on edge computing and deep learning. Proceedings-2018 Conmference on Technologies and Applications of Artifical Intelligence. , Taichung, Taiwan. 24-27 (2018).
  35. Cihan, P., Gökçe, E., Kalipsiz, O. A review of machine learning applications in veterinary field. Kafkas Universitesi Veteriner Fakultesi Dergisi. 23 (4), 673-680 (2017).
  36. Berrar, D. Cross-validation. Encyclopedia of Bioinformatics and Computational Biology. 1, 542-545 (2019).
  37. Gaithuma, A. K., et al. A single test approach for accurate and sensitive detection and taxonomic characterization of Trypanosomes by comprehensive analysis of internal transcribed spacer 1 amplicons. PLoS Neglected Tropical Diseases. 13 (2), 0006842 (2019).
  38. Vijayalakshmi, A., Rajesh Kanna, B. Deep learning approach to detect malaria from microscopic images. Multimedia Tools and Applications. 79 (21-22), 15297-15317 (2019).
  39. Morais, M. C. C., et al. Automatic detection of the parasite Trypanosoma cruzi in blood smears using a machine learning approach applied to mobile phone images. PeerJ. 10, 13470 (2022).
  40. Uc-Cetina, V., Brito-Loeza, C., Ruiz-Pina, H. Chagas parasite detection in blood images using AdaBoost. Computational and Mathematical Methods in Medicine. 2015, 139681 (2015).
  41. Zhang, C., et al. Deep learning for microscopic examination of protozoan parasites. Computational and Structural Biotechnology Journal. 20, 1036-1043 (2022).
  42. Sarataphan, N., et al. Diagnosis of a Trypanosoma lewisi-like (Herpetosoma) infection in a sick infant from Thailand. Journal of Medical Microbiology. 56, 1118-1121 (2007).
  43. Desquesnes, M., et al. A review on the diagnosis of animal trypanosomoses. Parasites & Vectors. 15 (1), 64 (2022).
  44. Fuhad, K. M. F., et al. Deep learning based automatic malaria parasite detection from blood smear and its smartphone based application. Diagnostics (Basel). 10 (5), 329 (2020).
  45. Christian Matek, S. S., Spiekermann, K., Marr, C. Human-level recognition of blast cells in acute myeloid leukaemia with convolutional neural networks. Nature Machine Intelligence. 1, 538-544 (2019).
  46. Hamdan, S., Ayyash, M., Almajali, S. Edge-computing architectures for internet of things applications: a survey. Sensors (Basel). 20 (22), 6441 (2020).
  47. Visser, T., et al. A comparative evaluation of mobile medical APPS (MMAS) for reading and interpreting malaria rapid diagnostic tests. Malaria Journal. 20 (1), 39 (2021).
  48. Giorgi, E., Macharia, P. M., Woodmansey, J., Snow, R. W., Rowlingson, B. Maplaria: a user friendly web-application for spatio-temporal malaria prevalence mapping. Malaria Journal. 20 (1), 471 (2021).
  49. Rajaraman, S., Jaeger, S., Antani, S. K. Performance evaluation of deep neural ensembles toward malaria parasite detection in thin-blood smear images. PeerJ. 7, 6977 (2019).

Tags

सुपीरियर ऑटो-आइडेंटिफिकेशन ट्रिपैनोसोम परजीवी हाइब्रिड डीप-लर्निंग मॉडल ट्रिपैनोसोमियासिस पब्लिक हेल्थ प्रॉब्लम दक्षिण एशिया दक्षिण पूर्व एशिया हॉटस्पॉट एरिया एक्टिव सर्विलांस माइक्रोस्कोपिक एग्जामिनेशन स्किल्ड पर्सनल आर्टिफिशियल इंटेलिजेंस (एआई) प्रोग्राम हाइब्रिड डीप लर्निंग तकनीक ऑब्जेक्ट आइडेंटिफिकेशन ऑब्जेक्ट क्लासिफिकेशन न्यूरल नेटवर्क बैकबोन्स लो-कोड एआई प्लेटफॉर्म (सीआईआरए कोर) प्रोटोजोआ ट्रिपैनोसोम प्रजातियां ट्रिपैनोसोमा क्रूज़ी टी. ब्रुसी टी. इवांसी तेल-विसर्जन सूक्ष्म चित्र पैटर्न मान्यता नाभिक और किनेटोप्लास्ट ध्यान मानचित्र सांख्यिकीय उपाय सटीकता याद विशिष्टता परिशुद्धता F1 स्कोर गलत वर्गीकरण दर रिसीवर ऑपरेटिंग लक्षण (आरओसी) घटता प्रेसिजन बनाम रिकॉल (पीआर) घटता
हाइब्रिड डीप-लर्निंग मॉडल का उपयोग करके ट्रिपैनोसोम परजीवी की बेहतर ऑटो-पहचान
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Kittichai, V., Kaewthamasorn, M.,… More

Kittichai, V., Kaewthamasorn, M., Thanee, S., Sasisaowapak, T., Naing, K. M., Jomtarak, R., Tongloy, T., Chuwongin, S., Boonsang, S. Superior Auto-Identification of Trypanosome Parasites by Using a Hybrid Deep-Learning Model. J. Vis. Exp. (200), e65557, doi:10.3791/65557 (2023).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter