Published June 30, 2023
| Version v1
Publication
Open
Automatic identification of medically important mosquitoes using embedded learning approach-based image-retrieval system
Creators
- 1. King Mongkut's Institute of Technology Ladkrabang
- 2. Chulalongkorn University
- 3. Mahidol Oxford Tropical Medicine Research Unit
- 4. Mahidol University
- 5. Suan Dusit University
Description
Abstract Mosquito-borne diseases such as dengue fever and malaria are the top 10 leading causes of death in low-income countries. Control measure for the mosquito population plays an essential role in the fight against the disease. Currently, several intervention strategies; chemical-, biological-, mechanical- and environmental methods remain under development and need further improvement in their effectiveness. Although, a conventional entomological surveillance, required a microscope and taxonomic key for identification by professionals, is a key strategy to evaluate the population growth of these mosquitoes, these techniques are tedious, time-consuming, labor-intensive, and reliant on skillful and well-trained personnel. Here, we proposed an automatic screening, namely the deep metric learning approach and its inference under the image-retrieval process with Euclidean distance-based similarity. We aimed to develop the optimized model to find suitable miners and suggested the robustness of the proposed model by evaluating it with unseen data under a 20-returned image system. During the model development, well-trained ResNet34 are outstanding and no performance difference when comparing five data miners that showed up to 98% in its precision even after testing the model with both image sources: stereomicroscope and mobile phone cameras. The robustness of the proposed—trained model was tested with secondary unseen data which showed different environmental factors such as lighting, image scales, background colors and zoom levels. Nevertheless, our proposed neural network still has great performance with greater than 95% for sensitivity and precision, respectively. Also, the area under the ROC curve given the learning system seems to be practical and empirical with its value greater than 0.960. The results of the study may be used by public health authorities to locate mosquito vectors nearby. If used in the field, our research tool in particular is believed to accurately represent a real-world scenario.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
الأمراض المجردة التي ينقلها البعوض مثل حمى الضنك والملاريا هي الأسباب العشرة الرئيسية للوفاة في البلدان منخفضة الدخل. يلعب إجراء المكافحة لسكان البعوض دورًا أساسيًا في مكافحة المرض. في الوقت الحالي، لا تزال العديد من استراتيجيات التدخل ؛ الأساليب الكيميائية والبيولوجية والميكانيكية والبيئية قيد التطوير وتحتاج إلى مزيد من التحسين في فعاليتها. على الرغم من أن المراقبة الحشرية التقليدية، التي تتطلب مجهرًا ومفتاحًا تصنيفيًا لتحديد الهوية من قبل المتخصصين، هي استراتيجية رئيسية لتقييم النمو السكاني لهذه البعوض، إلا أن هذه التقنيات مملة وتستغرق وقتًا طويلاً وكثيفة العمالة وتعتمد على موظفين ماهرين ومدربين تدريباً جيداً. هنا، اقترحنا الفحص التلقائي، أي نهج التعلم المتري العميق واستدلاله في إطار عملية استرجاع الصور مع التشابه القائم على مسافة إقليدي. كنا نهدف إلى تطوير النموذج الأمثل للعثور على المعدنين المناسبين واقترحنا متانة النموذج المقترح من خلال تقييمه باستخدام بيانات غير مرئية في إطار نظام صور مكون من 20 صورة مرتجعة. أثناء تطوير النموذج، تعتبر ResNet34 المدربة تدريباً جيداً رائعة ولا يوجد فرق في الأداء عند مقارنة خمسة منقبين للبيانات أظهروا دقة تصل إلى 98 ٪ حتى بعد اختبار النموذج مع كلا مصدري الصورة: المجهر التجسيمي وكاميرات الهاتف المحمول. تم اختبار متانة النموذج المدرّب المقترح باستخدام بيانات ثانوية غير مرئية أظهرت عوامل بيئية مختلفة مثل الإضاءة ومقاييس الصور وألوان الخلفية ومستويات التكبير/التصغير. ومع ذلك، لا تزال شبكتنا العصبية المقترحة تتمتع بأداء رائع مع أكثر من 95 ٪ للحساسية والدقة، على التوالي. أيضًا، يبدو أن المنطقة الواقعة تحت منحنى ROC نظرًا لنظام التعلم عملية وتجريبية حيث تزيد قيمتها عن 0.960. يمكن استخدام نتائج الدراسة من قبل سلطات الصحة العامة لتحديد موقع ناقلات البعوض القريبة. إذا تم استخدامها في هذا المجال، يُعتقد أن أداة البحث الخاصة بنا على وجه الخصوص تمثل بدقة سيناريو العالم الحقيقي.Translated Description (French)
Résumé Les maladies transmises par les moustiques telles que la dengue et le paludisme sont les 10 principales causes de décès dans les pays à faible revenu. La mesure de contrôle de la population de moustiques joue un rôle essentiel dans la lutte contre la maladie. Actuellement, plusieurs stratégies d'intervention ; méthodes chimiques, biologiques, mécaniques et environnementales restent en cours de développement et doivent encore être améliorées dans leur efficacité. Bien qu'une surveillance entomologique conventionnelle, nécessitant un microscope et une clé taxonomique pour l'identification par les professionnels, soit une stratégie clé pour évaluer la croissance démographique de ces moustiques, ces techniques sont fastidieuses, chronophages, laborieuses et dépendent d'un personnel compétent et bien formé. Ici, nous avons proposé un dépistage automatique, à savoir l'approche d'apprentissage métrique profond et son inférence dans le processus de récupération d'image avec une similarité euclidienne basée sur la distance. Nous avons cherché à développer le modèle optimisé pour trouver des mineurs appropriés et avons suggéré la robustesse du modèle proposé en l'évaluant avec des données invisibles sous un système d'image à 20 retours. Au cours du développement du modèle, ResNet34 bien formé est exceptionnel et ne présente aucune différence de performance lorsque l'on compare cinq mineurs de données qui ont montré jusqu'à 98 % de précision, même après avoir testé le modèle avec les deux sources d'image : stéréomicroscope et caméras de téléphone mobile. La robustesse du modèle formé proposé a été testée avec des données secondaires invisibles qui ont montré différents facteurs environnementaux tels que l'éclairage, les échelles d'image, les couleurs d'arrière-plan et les niveaux de zoom. Néanmoins, notre réseau de neurones proposé présente toujours de grandes performances avec plus de 95 % de sensibilité et de précision, respectivement. En outre, l'aire sous la courbe roc compte tenu du système d'apprentissage semble être pratique et empirique avec sa valeur supérieure à 0,960. Les résultats de l'étude peuvent être utilisés par les autorités de santé publique pour localiser les moustiques vecteurs à proximité. S'il est utilisé sur le terrain, notre outil de recherche en particulier est censé représenter avec précision un scénario du monde réel.Translated Description (Spanish)
Resumen Las enfermedades transmitidas por mosquitos, como el dengue y la malaria, son las 10 principales causas de muerte en los países de bajos ingresos. La medida de control de la población de mosquitos juega un papel esencial en la lucha contra la enfermedad. Actualmente, varias estrategias de intervención; métodos químicos, biológicos, mecánicos y ambientales permanecen en desarrollo y necesitan una mayor mejora en su efectividad. Aunque una vigilancia entomológica convencional, que requiere un microscopio y una clave taxonómica para la identificación por parte de los profesionales, es una estrategia clave para evaluar el crecimiento de la población de estos mosquitos, estas técnicas son tediosas, requieren mucho tiempo, mano de obra intensiva y dependen de personal hábil y bien capacitado. Aquí, propusimos una evaluación automática, a saber, el enfoque de aprendizaje métrico profundo y su inferencia bajo el proceso de recuperación de imágenes con similitud euclidiana basada en la distancia. Nuestro objetivo fue desarrollar el modelo optimizado para encontrar mineros adecuados y sugerimos la solidez del modelo propuesto evaluándolo con datos invisibles bajo un sistema de imágenes devueltas 20. Durante el desarrollo del modelo, ResNet34 bien entrenado es sobresaliente y no hay diferencia de rendimiento al comparar cinco mineros de datos que mostraron hasta un 98% de precisión incluso después de probar el modelo con ambas fuentes de imagen: estereomicroscopio y cámaras de teléfonos móviles. La robustez del modelo entrenado propuesto se probó con datos secundarios no vistos que mostraron diferentes factores ambientales como la iluminación, las escalas de imagen, los colores de fondo y los niveles de zoom. Sin embargo, nuestra red neuronal propuesta sigue teniendo un gran rendimiento con más del 95% de sensibilidad y precisión, respectivamente. Asimismo, el área bajo la curva Roc dado el sistema de aprendizaje parece ser práctica y empírica con su valor mayor a 0.960. Los resultados del estudio pueden ser utilizados por las autoridades de salud pública para localizar mosquitos vectores cercanos. Si se utiliza en el campo, se cree que nuestra herramienta de investigación en particular representa con precisión un escenario del mundo real.Files
s41598-023-37574-3.pdf.pdf
Files
(3.3 MB)
| Name | Size | Download all |
|---|---|---|
|
md5:f6988cbc7894af1dab143d42a9847bc7
|
3.3 MB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- التعرف التلقائي على البعوض المهم طبياً باستخدام نظام استرداد الصور القائم على نهج التعلم المدمج
- Translated title (French)
- Identification automatique des moustiques importants sur le plan médical à l'aide d'un système de récupération d'images basé sur une approche d'apprentissage intégré
- Translated title (Spanish)
- Identificación automática de mosquitos médicamente importantes utilizando un sistema de recuperación de imágenes basado en un enfoque de aprendizaje integrado
Identifiers
- Other
- https://openalex.org/W4382775701
- DOI
- 10.1038/s41598-023-37574-3
References
- https://openalex.org/W119169996
- https://openalex.org/W1741738101
- https://openalex.org/W1942132047
- https://openalex.org/W1979910530
- https://openalex.org/W2106237245
- https://openalex.org/W2113180829
- https://openalex.org/W2194775991
- https://openalex.org/W2419064013
- https://openalex.org/W2433781280
- https://openalex.org/W2590876388
- https://openalex.org/W2612467576
- https://openalex.org/W2737506922
- https://openalex.org/W2767184522
- https://openalex.org/W2790701475
- https://openalex.org/W2801409022
- https://openalex.org/W2885019677
- https://openalex.org/W2895828210
- https://openalex.org/W2901789834
- https://openalex.org/W2904365664
- https://openalex.org/W2909860570
- https://openalex.org/W2910634864
- https://openalex.org/W2913468425
- https://openalex.org/W2914771791
- https://openalex.org/W2919115771
- https://openalex.org/W2949651581
- https://openalex.org/W2949837051
- https://openalex.org/W2953058079
- https://openalex.org/W2953681063
- https://openalex.org/W2962762881
- https://openalex.org/W2973514825
- https://openalex.org/W2986235590
- https://openalex.org/W3002266516
- https://openalex.org/W3004868960
- https://openalex.org/W3005447144
- https://openalex.org/W3034574989
- https://openalex.org/W3112911519
- https://openalex.org/W3116850366
- https://openalex.org/W3128741952
- https://openalex.org/W3129137136
- https://openalex.org/W3129306967
- https://openalex.org/W3133502632
- https://openalex.org/W3134561445
- https://openalex.org/W3134720996
- https://openalex.org/W3136619793
- https://openalex.org/W3137602479
- https://openalex.org/W3148004426
- https://openalex.org/W3162226787
- https://openalex.org/W3162387593
- https://openalex.org/W3170099253
- https://openalex.org/W3188017601
- https://openalex.org/W3200835947
- https://openalex.org/W4200440590
- https://openalex.org/W4210674249
- https://openalex.org/W4223580694
- https://openalex.org/W4223917335
- https://openalex.org/W4244498349
- https://openalex.org/W4308356480
- https://openalex.org/W4312742163
- https://openalex.org/W4313488632
- https://openalex.org/W4313545044
- https://openalex.org/W4315435406
- https://openalex.org/W4318199981
- https://openalex.org/W4362672231
- https://openalex.org/W9798854