Umeå universitets logga

umu.sePublikationer
Ändra sökning
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
A hybrid CNN-Random Forest algorithm for bacterial spore segmentation and classification in TEM images
Umeå universitet, Teknisk-naturvetenskapliga fakulteten, Institutionen för fysik.
Umeå universitet, Teknisk-naturvetenskapliga fakulteten, Institutionen för fysik.ORCID-id: 0000-0002-0168-0197
Umeå universitet, Teknisk-naturvetenskapliga fakulteten, Institutionen för fysik.ORCID-id: 0000-0002-0496-6692
Umeå universitet, Teknisk-naturvetenskapliga fakulteten, Institutionen för fysik. Umeå universitet, Medicinska fakulteten, Umeå Centre for Microbial Research (UCMR). (The Biophysics and Biophotonics group)ORCID-id: 0000-0002-9835-3263
2023 (Engelska)Ingår i: Scientific Reports, E-ISSN 2045-2322, Vol. 13, nr 1, artikel-id 18758Artikel i tidskrift (Refereegranskat) Published
Abstract [en]

We present a new approach to segment and classify bacterial spore layers from Transmission Electron Microscopy (TEM) images using a hybrid Convolutional Neural Network (CNN) and Random Forest (RF) classifier algorithm. This approach utilizes deep learning, with the CNN extracting features from images, and the RF classifier using those features for classification. The proposed model achieved 73% accuracy, 64% precision, 46% sensitivity, and 47% F1-score with test data. Compared to other classifiers such as AdaBoost, XGBoost, and SVM, our proposed model demonstrates greater robustness and higher generalization ability for non-linear segmentation. Our model is also able to identify spores with a damaged core as verified using TEMs of chemically exposed spores. Therefore, the proposed method will be valuable for identifying and characterizing spore features in TEM images, reducing labor-intensive work as well as human bias.

Ort, förlag, år, upplaga, sidor
Springer Nature, 2023. Vol. 13, nr 1, artikel-id 18758
Nationell ämneskategori
Annan fysik Annan data- och informationsvetenskap
Identifikatorer
URN: urn:nbn:se:umu:diva-216165DOI: 10.1038/s41598-023-44212-5PubMedID: 37907463Scopus ID: 2-s2.0-85175591485OAI: oai:DiVA.org:umu-216165DiVA, id: diva2:1809565
Forskningsfinansiär
Vetenskapsrådet, 2019-04016Kempestiftelserna, JCK-2129.3Tillgänglig från: 2023-11-04 Skapad: 2023-11-04 Senast uppdaterad: 2023-12-01Bibliografiskt granskad

Open Access i DiVA

fulltext(4043 kB)53 nedladdningar
Filinformation
Filnamn FULLTEXT01.pdfFilstorlek 4043 kBChecksumma SHA-512
a212685efac4cfc04036123a8f25122057a85a7b2e1dcda79719f1463c458ae34f04fb2a6b1752abef403eb88bbbe7602e095229389ecf776063d10b9920f101
Typ fulltextMimetyp application/pdf

Övriga länkar

Förlagets fulltextPubMedScopus

Person

Qamar, SaqibÖberg, RasmusMalyshev, DmitryAndersson, Magnus

Sök vidare i DiVA

Av författaren/redaktören
Qamar, SaqibÖberg, RasmusMalyshev, DmitryAndersson, Magnus
Av organisationen
Institutionen för fysikUmeå Centre for Microbial Research (UCMR)
I samma tidskrift
Scientific Reports
Annan fysikAnnan data- och informationsvetenskap

Sök vidare utanför DiVA

GoogleGoogle Scholar
Totalt: 53 nedladdningar
Antalet nedladdningar är summan av nedladdningar för alla fulltexter. Det kan inkludera t.ex tidigare versioner som nu inte längre är tillgängliga.

doi
pubmed
urn-nbn

Altmetricpoäng

doi
pubmed
urn-nbn
Totalt: 225 träffar
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf