基于深度学习构建金黄色葡萄球菌和粪肠球菌的快速图像识别系统

目的基于GoogleNet、ResNet101和Vgg193种深度学习模型,对血流感染病原菌(金黄色葡萄球菌、粪肠球菌)进行高置信度的识别,比较模型间的性能与分类能力,探讨深度学习模型对血流感染病原菌快速识别的应用可行性。方法将革兰染色及摄像预处理后的细菌图像和空白对照图像输入模型,进行训练与验证,共采集1682张金黄色葡萄球菌、1723张粪肠球菌和688张空白对照显微图像,对其中1344张金黄色葡萄球菌、1376张粪肠球菌和544张空白对照图像进行训练,余下的图像用于验证。根据模型间的分类参数评估出性能最佳的模型。结果ResNet101模型识别三类验证集图像的交叉熵损失值(0.0087103)最低,Epoch值(93)最大且准确率(99%)最高;GoogleNet模型识别三类验证集图像的交叉熵损失值为0.06389,Epoch值为86,准确率为98.6%;Vgg19模型识别三类验证集图像的交叉熵损失值为0.035682,Epoch值为86,准确率为97.7%。结论ResNet101模型在对三类验证集图像的分类上性能最佳;深度学习模型可对金黄色葡萄球菌和粪肠球菌的革兰染色图像进行准确、可信的快速识别。