39、基于随机梯度下降和判别式微调的多类致病微生物分类

基于随机梯度下降和判别式微调的多类致病微生物分类

1. 引言

微生物引发了众多大流行病和热带疾病，哺乳动物肠道中也存在大量微生物，使得人体更易受到这些微生物的影响。细菌具有复杂的形态，其细胞结构因生存环境多样而极为独特，生物多样性也增加了微生物识别的难度。传统的微生物检测方法依赖实验室工作人员的专业知识和技能，效率较低。因此，迫切需要一种自动化的微生物识别方法，以提高诊断精度并缩短评估时间。

许多研究人员运用计算机视觉和机器学习技术，在病理图像的识别和分割方面取得了一定进展。例如，利用统计和经典机器学习方法对基于PET/CT扫描的淋巴结图像进行分类，但这些方法难以发现有助于提高精度的几何特征。也有研究提出使用深度学习模型，如Inception DCNN模型和Xception架构，还有研究关注数字图像的纹理以提高识别率，以及提出特征提取过程来理解图像中各种分散特征的影响。此外，还有对不同分辨率的致病微生物数据集进行比较研究，用于细菌和酵母的识别和多类分类。

在本研究中，采用DIBaS数据集对不同种类的微生物进行分类。此研究是先前工作的扩展，使用了随机梯度下降与热重启（SGDR）和判别式微调（DFT）方法对Resnet、DenseNet、Inception - ResNet和MobileNet进行优化，以提升模型性能。

2. 方法

2.1 数据集

DIBaS数据集包含33种不同类别的微生物，每个类别有20张不同的图像。该数据集由波兰克拉科夫的雅盖隆大学微生物学系收集，图像分辨率为2048 * 1532像素。在众多可用的数据集中，DIBaS数据集被视为标准数据集，也在其他文献中有所提及。

2.2