短期間のフィールド暴露後のコーティング上の珪藻の検出とカウントのための完全畳み込みニューラルネットワーク

A Fully Convolutional Neural Network for Detection and Counting of Diatoms on Coatings after Short-Term Field Exposure.

• Lutz M K Krause
• Julian Koc
• Bodo Rosenhahn
• Axel Rosenhahn

抄録

ディープラーニングの利用は、医療データや画像の自動検出システムのための貴重な技術であるが、バイオファウリングの分野では、短期間のフィールド暴露後のサンプル上の珪藻類の検出とカウントのための分析ツールがまだ不足している。本研究では、2チャンネル（蛍光と位相コントラスト）顕微鏡画像上の珪藻をバウンディングボックスを予測して検出するための高速かつシンプルなアプローチとして、完全畳み込みニューラルネットワークを実装した。開発したアプローチは、わずかな数の学習可能なパラメータと0.82のF1スコアで良好に動作する。珪藻の計数は、3つの異なる表面化学特性（親水性と疎水性）の600枚の顕微鏡画像のデータセットで評価され、解析時間の数分の1の時間しか必要としない一方で、人間による計数と非常に類似している。

While the use of deep learning is a valuable technology for automatic detection systems for medical data and images, the biofouling community is still lacking an analytical tool for the detection and counting of diatoms on samples after short-term field exposure. In this work a fully convolutional neural network was implemented as a fast and simple approach to detect diatoms on two-channel (fluorescence and phase contrast) microscopy images by predicting bounding boxes. The developed approach performs well with only a small number of trainable parameters and a F1 score of 0.82. Counting diatoms was evaluated on a dataset of 600 microscopy images of three different surface chemistries (hydrophilic and hydrophobic) and is very similar to counting by humans, while demanding only a fraction of the analysis time.