Automated Classification and Quantification of Fungal Spores in Aerobiological Sampling Using Deep Learning

Probleemstelling

Routine aerobiologische monitoring van schimmelsporen is cruciaal voor milieubewaking en de volksgezondheid, vooral gezien de link tussen zwevende sporen en ademhalingsaandoeningen zoals astma en allergische rhinitis. De huidige beoordelingsmethoden vertrouwen echter op handmatige microscopische telling, een proces dat tijdrovend is, gevoelig is voor inter-observer variabiliteit en resulteert in vertraagde beschikbaarheid van gegevens. Hoewel eerdere automatiseringspogingen gebruikmaakten van klassieke computer vision of zich concentreerden op detectie van één enkel genus (bijv. Alternaria), hebben deze benaderingen vaak moeite met de overlap van deeltjes, vereisen ze handmatige feature engineering en missen ze de robuustheid om de hoge taxonomische diversiteit te verwerken die in echte atmosferische monsters wordt aangetroffen. Er is een duidelijke behoefte aan een schaalbaar, multi-genus deep learning-framework dat in staat is tot de automatisering van detectie en kwantificatie over diverse fungale taxa.

Methodologie

De studie ontwikkelde en valideerde een op deep learning gebaseerde workflow voor de automatische detectie en telling van acht fungale genera (Cladosporium, Coprinus, Curvularia, Didymella, Ganoderma, Leptosphaeria, Nigrospora, en Xylaria) met behulp van microscopische beelden van Hirst-type volumetrische bemonstering in Santa Marta, Colombia.

1. Datasetconstructie en Preprocessing:

• Bron: 325 originele afbeeldingen (400× vergroting) werden onderverdeeld in 1.281 kwadranten (1296 × 972 pixels).
• Annotatie: Uitgevoerd met Roboflow, waarbij bounding boxes werden toegewezen aan 2.252 spore-instanties over de acht klassen.
• Mitigatie van Class Imbalance: De originele dataset vertoonde een klassenimbalans (bijv. Coprinus op 20,1% vs. Nigrospora op 9,1%). Om dit aan te pakken, implementeerden de auteurs:
  • Stratified Splitting: Afbeeldingen werden opnieuw verdeeld in 70% training, 20% validatie en 10% test op basis van het dominante sporetype.
  • Offline Augmentatie: Synthetische samples werden gegenereerd voor ondervertegenwoordigde klassen met behulp van de Albumentations bibliotheek (geometrische, fotometrische en degradatie transformaties) om te streven naar ~320 instanties per klasse.
  • Online Augmentatie: Tijdens de training werden Mosaic (om objectdichtheid te verhogen) en Mixup (voor regularisatie) toegepast.
• Finale Dataset: De trainingsset werd uitgebreid naar 1.574 afbeeldingen (2.963 instanties), terwijl de validatie- en testsets uit de originele, niet-geaugmenteerde afbeeldingen bestonden om een onbevooroordeelde evaluatie te garanderen.

2. Modelarchitecturen:
Drie detectiestrategieën werden vergeleken:

• YOLO26: Geëvalueerd in Medium (YOLO26m) en Large (YOLO26l) varianten. De inputresolutie was 1280 × 1280 pixels om morfologische details te behouden.
• ViT-B/16 + Faster R-CNN: Een hybride aanpak met een Vision Transformer voor feature extractie (waarbij de eerste zes lagen bevroren zijn) gekoppeld aan Faster R-CNN voor regio-voorstel en classificatie.
• AlexNet + Faster R-CNN: Een aangepaste AlexNet met batch normalisatie gekoppeld aan Faster R-CNN, met een 640 × 640 pixel inputresolutie.

3. Training en Evaluatie:
Modellen werden getraind met specifieke hyperparameters (bijv. de YOLO-varianten gebruikten MuSGD, ViT/AlexNet gebruikten AdamW/SGD). Prestaties werden geëvalueerd met behulp van Precision, Recall, F1-score en mean Average Precision (mAP@0.5 en mAP@0.5:0.95). Gezien de context van de toepassing kregen Recall en Precision de voorkeur boven strikte lokalisatiemetrieken.

Belangrijkste Resultaten

1. Vergelijking van Modelprestaties:

• YOLO26l kwam als het superieure model uit de bus, met de hoogste Recall (0,812), Precision (0,823), mAP@0.5 (0,846) en F1-score (0,817) op de testset.
• YOLO26m volgde nauw met iets lagere metrieken.
• ViT-B/16 + Faster R-CNN vertoonde intermediaire prestaties maar leed aan een aanzienlijke daling in precision (0,502).
• AlexNet + Faster R-CNN leverde de laagste prestaties op over alle metrieken (Recall 0,548, Precision 0,377).
• Genus-specifieke Prestaties: YOLO26l demonstreerde robuustheid voor Curvularia, Didymella, Ganoderma, Nigrospora, en Xylaria. Cladosporium bleef de meest uitdagende klasse, met de laagste recall (0,429 bij testen) en de hoogste ratio aan false negatives (54% van de instanties gemist).

2. Operationele Validatie (Geautomatiseerd vs. Handmatig):

• Een externe set van 516 ongeziene afbeeldingen werd geanalyseerd. YOLO26l behield een precision van 0,803 en een recall van 0,659.
• Correlatie: Geautomatiseerde en handmatige tellingen vertoonden positieve en significante correlaties voor alle genera (Spearman's ρ = 0,387–0,852; p < 0,001). De correlatie was het sterkst voor Curvularia (0,852) en het zwakst voor Cladosporium (0,387).
• Efficiëntie: Het geautomatiseerde systeem verwerkte 516 afbeeldingen in 1 minuut 39 seconden (0,19 s/afbeelding), vergeleken met 2,8 uur (19,5 s/afbeelding) voor handmatige telling. Dit vertegenwoordigt een 102-voudige toename in verwerkingssnelheid.

3. Foutanalyse:
De primaire bron van fouten was false negatives (gemiste detecties) in plaats van misclassificatie tussen genera. Het model wijst over het algemeen het juiste genus toe zodra een spore gedetecteerd is. De moeilijkheid bij het detecteren van Cladosporium werd toegeschreven aan de hoge morfologische variabiliteit en de visuele gelijkenis met achtergrondstructuren.

Belangrijkste Bijdragen

• Multi-Genus Framework: De studie gaat verder dan single-genus detectie door een systeem te valideren dat in staat is om simultaan acht verschillende fungale genera te identificeren, waarmee de taxonomische diversiteit die inherent is aan aerobiologische bemonstering wordt geadresseerd.
• Dataset Curation: Creatie en augmentatie van een gespecialiseerde dataset voor schimmelsporen, inclusief strategieën om klassenimbalans en lage objectdichtheid in microscopische velden aan te pakken.
• Architecturale Benchmarking: Een vergelijkende analyse die aantoont dat single-stage detectoren (YOLO26) beter presteren dan hybride en region-proposal-gebaseerde modellen (Faster R-CNN varianten) voor deze specifieke taak, met name bij het balanceren van computationele efficiëntie en detectie-accuratesse.
• Operationele Schaalbaarheid: Demonstratie van een workflow die de analysetijd met twee ordes van grootte vermindert, wat de potentie faciliteert voor real-time of bijna real-time bioaerosol-monitoring.

Betekenis en Claims

De auteurs beweren dat dit werk een referentiekader biedt voor het opschalen van aerobiologische monitoring. Door de meest arbeidsintensieve fase van het proces (microscopische telling) te automatiseren, pakt het systeem de bottleneck aan die de geografische en temporele dekking van huidige monitoringprogramma's beperkt.

De auteurs stellen bescheiden dat hoewel de prestaties per genus variëren, het systeem erin slaagt de algemene abundantiepatronen die bij handmatige tellingen worden waargenomen, succesvol te reproduceren. Het positioneert deep learning niet louter als een classificatieinstrument, maar als een operationeel instrument voor milieubewaking en risicobeoordeling voor de volksgezondheid. De auteurs erkennen dat verdere verbeteringen nodig zijn voor moeilijke klassen zoals Cladosporium, maar concluderen dat de voorgestelde aanpak de capaciteit voor routineuze, tijdige en reproduceerbare monitoring van schimmelsporen aanzienlijk versterkt.