Araştırma Makalesi
BibTex RIS Kaynak Göster

Classification of Aspergillus Fungi Species with Deep Learning

Yıl 2023, Cilt: 4 Sayı: 3, 15 - 21, 27.12.2023
https://doi.org/10.53608/estudambilisim.1296238

Öz

The mold fungi are commonly found in nature and are usually saprophyte fungi. Mold fungi can lead to an increase in mortality rates by causing opportunistic invasive infections, especially in immunocompromised patients. The most common causes of opportunistic infections caused by mold fungi are species of Aspergillus, frequently A. fumigatus, and subsequently A. flavus. In our study, the Convolutional Neural Network (CNN) model, which is one of the Deep Learning algorithms, was created and species determination was made using microscopic images of the mold fungi A. flavus and A. fumigatus species. In the study, a dataset consisting of a total of 1050 images, with 525 images for each species, was used. These images were converted to grayscale and worked on. In our study, experiments were repeated 73 times, resulting in a training accuracy of 97.62% and a test accuracy of 91.90% in classification.

Kaynakça

  • Ayberkin, E., Çiftçi, E. 2009. Çocuklarda Aspergillus Enfeksiyonları. J Pediatr Inf, 3, 118-25.
  • Kilich, M. A. 2007. Aspergillus flavus: the major producer of aflotoxin. Molecular plant patalogy, 8(6), 713-722. DOI:10.1111/j.1364-3703.2007.00436.x
  • Gourama, H., Bullerman, L. B. 1995. Aspergillus flavus and Aspergillus parasiticus: Aflatoxigenic fungi of concern in foods and feeds: A review. Journal of Food protection, 58(12),1395-1404. DOI:10.4315/0362-028X-58.12.1395
  • Billones, R. K. C., Calilung, E. J., Dadios, E. P., Santiago, N. 2020. Aspergillus Species Fungi Identification Using Microscopic Scale Images. In 2020 IEEE 12th International Conference on Humanoid, Nanotechnology, Information Technology, Communication and Control, Environment, and Management (HNICEM), 3-7 December, Manila, Philippines, 1-5.
  • Fan, M., Chakraborti, T., Eric, I., Chang, C., Xu, Y., Rittscher, J. 2020. Fine-Grained Multi-Instance Classification in Microscopy through Deep Attention. In 2020 IEEE 17th International Symposium on Biomedical Imaging (ISBI), 3-7 April, Iowa City, IA, USA, 169-173.
  • Polap, D., Wozniak, M., Korytkowski, M., Scherer, R. 2020. Encoder-Decoder Based CNN Structure for Microscopic Image Identification. In International Conference on Neural Information Processing, 23-27 November, 301-312.
  • Mital, M. E., Tobias, R. R., Villaruel, H., Maningo, J. M., Billones, R. K., Vicerra, R. R., Dadios, E. 2020. Transfer Learning Approach for the Classification of Conidial Fungi (genus aspergillus) Thru Pre-Trained Deep Learning Models. In 2020 IEEE Region 10 Conferance (TENCON), 16-19 November, Osaka, Japan, 1069-1074.
  • Gaikwad, S. S., Rumma, S. S., Hangarge, M. 2021. Fungi classification using convolution neural network. Turkish Journal of Computer and Mathematics Education (TURCOMAT), 12(10), 4563-4569. DOI:10.17762/turcomat.v12i10.5200
  • Gaikwad, S. S., Bhalerao, S., Rumma, S. S., Hangarge, M. 2021. Classification of Microscopic Images of Fungi Using Deep Learning Models. SAMRIDDHI: A Journal of Physical Sciences, Engineering and Technology, 13(SUP 2), 105-110.
  • Çalık, R. C. 2018. Gömülü Sistem Üzerinde Evrişimsel Sinir Ağları ile Nesne Sınıflandırması. TOBB ETÜ, Fen Bilimleri Enstitüsü, Yüksek Lisans Tezi, 78s, Ankara.
  • Hao, R., Wang, X., Zhang, J., Liu, J., Du, X., Liu, L. 2019. Automatic detection of fungi in microscopic leucorrhea images based on convolutional neural network and morphological method. In 2019 IEEE 3rd Information Technology, Networking, Electronic and Automation Control Conference (ITNEC), 15-17 March, Chengdu, China, 2491-2494.
  • Wang, Y., Sun, L., Ma, K., Fang, J. 2018. Breast cancer microscope image classification based on CNN with image deformation. In Image Analysis and Recognition: 15th International Conference, 27–29 June, Povoa de Varzim, Portugal, 845-852.
  • Karakurt, M., & İşeri, İ. 2022. Patoloji Görüntülerinin Derin Öğrenme Yöntemleri İle Sınıflandırılması. Avrupa Bilim ve Teknoloji Dergisi, (33), 192-206. DOI:10.31590/ejosat.1011091
  • Tahir, M. W., Zaidi, N. A., Rao, A. A., Blank, R., Vellekoop, M. J., & Lang, W. 2018. A fungus spores dataset and a convolutional neural network based approach for fungus detection. IEEE transactions on nanobioscience, 17(3), 281-290.
  • Wahid, M. F., Hasan, M. J., & Alom, M. S. (2019, September). Deep Convolutional Neural Network for Microscopic Bacteria Image Classification. In 2019 5th International Conference on Advances in Electrical Engineering (ICAEE), 26-28 September, Dhaka, Bangladesh, 866-869.
  • Oktaria, A. S., Prakasa, E., & Suhartono, E. 2019. Wood Species Identification Using Convolutional Neural Network (CNN) Architectures on Macroscopic Images. Journal of Information Technology and Computer Science, 4(3), 274-283.
  • İnik, Ö., Ülker, E. 2017. Derin öğrenme ve görüntü analizinde kullanılan derin öğrenme modelleri. Gaziosmanpaşa Bilimsel Araştırma Dergisi, 6(3), 85-104.
  • Günal, A. 2020. Derin Öğrenme Nedir? Nerelerde Kullanılır? https://www.bilimya.com/derin-ogrenme-nedir-nerelerde-kullanilir.html (Erişim Tarihi: 08.06.2023).
  • Şeker, A., Diri, B., Balık, H. H. 2017. Derin öğrenme yöntemleri ve uygulamaları hakkında bir inceleme. Gazi Mühendislik Bilimleri Dergisi, 3(3), 47-64.
  • Doğan, Ö. 2020. Derin Öğrenme Nedir? Yapay Sinir Ağları Ne İşe Yarar? https://teknoloji.org/derin-ogrenme-nedir-yapay-sinir-aglari-ne-ise-yarar/ (Erişim Tarihi: 08.06.2023).
  • Hussain, M., Bird, J. J., Faria, D. R. 2019. A study on cnn transfer learning for image classification. In Advances in Computational Intelligence Systems: Contributions Presented at the 18th UK Workshop on Computational Intelligence, 5-7 September, Nottingham, UK 191-202.
  • Aydın, A. G. A. 2021. Derin Öğrenme. Bilgisayar Bilimlerinde Teorik Ve Uygulamalı Araştırmalar, 105s.
  • Tüfekçi, M., Karpat, F. 2019. Derin Öğrenme Mimarilerinden Konvolüsyonel Sinir Ağları (CNN) Üzerinde Görüntü İşleme-Sınıflandırma Kabiliyetininin Arttırılmasına Yönelik Yapılan Çalışmaların İncelenmesi. In International Conference on Human-Computer Interaction, Optimization and Robotic Applications, 5-7 July, Ürgüp, Nevşehir, 28-31.
  • Kayalı, N. S, Omurca, S. İ. Konvolüsyonel Sinir Ağları (CNN) ile Çin Sayı Örüntülerinin Sınıflandırması. Computer Science, (Special), 184-191. DOI:10.53070/bbd.989668
  • Li, Q., Cai, W., Wang, X., Zhou, Y., Feng, D. D., Chen, M. 2014. Medical image classification with convolutional neural network. In 2014 13th international conference on control automation robotics & vision (ICARCV), 10-12 December, Singapore, 844-848. 989668
  • Ay, Ş. 2020. Model Performansını Değerlendirmek – Metrikler. https://medium.com/deep-learning-turkiye/model-performans%C4%B1n%C4%B1-de%C4%9Ferlendirmek-metrikler-cb6568705b1 (Erişim Tarihi: 10.06.2023).
  • Abacı, B. 2019. Makine Öğrenmesi Performans Ölçütleri. https://imlab.io/2019/07/14/machine-learning-performance-matrics/ (Erişim Tarihi: 10.06.2023).

Derin Öğrenme ile Aspergillus Mantar Türlerinin Sınıflandırılması

Yıl 2023, Cilt: 4 Sayı: 3, 15 - 21, 27.12.2023
https://doi.org/10.53608/estudambilisim.1296238

Öz

Küf mantarları doğada yaygın olarak bulunan ve genellikle saprofit, mantarlardır. Küf mantarları, özellikle bağışıklığı yetersiz olan hastalarda fırsatçı invaziv enfeksiyonlara neden olarak ölüm oranlarının artmasına neden olabilirler. Küf mantarlarının neden olduğu fırsatçı enfeksiyonların en yaygın etkenleri Aspergillus türleri, sıklıkla da A. fumigatus ve takiben A. flavus’tur. Çalışmamızda, Derin Öğrenme algoritmalarından biri olan Evrişimsel Sinir Ağı (ESA) modeli oluşturulmuş ve küf mantarlarından A.flavus ve A.fumigatus türlerinin mikroskobik görüntüleri kullanılarak tür tayini yapılmıştır. Çalışmada, her bir tür için 525 adet olmakla, toplamda 1050 görüntüden oluşan veri seti kullanılmıştır. Bu görüntüler gri tona dönüştürülerek üzerinde çalışma yapılmıştır. Çalışmamızda, deneyler 73 kez tekrar edilerek sınıflandırma sonucu %97.62 oranında eğitim doğruluğu ve %91.90 test doğruluğu olarak elde edilmiştir.

Kaynakça

  • Ayberkin, E., Çiftçi, E. 2009. Çocuklarda Aspergillus Enfeksiyonları. J Pediatr Inf, 3, 118-25.
  • Kilich, M. A. 2007. Aspergillus flavus: the major producer of aflotoxin. Molecular plant patalogy, 8(6), 713-722. DOI:10.1111/j.1364-3703.2007.00436.x
  • Gourama, H., Bullerman, L. B. 1995. Aspergillus flavus and Aspergillus parasiticus: Aflatoxigenic fungi of concern in foods and feeds: A review. Journal of Food protection, 58(12),1395-1404. DOI:10.4315/0362-028X-58.12.1395
  • Billones, R. K. C., Calilung, E. J., Dadios, E. P., Santiago, N. 2020. Aspergillus Species Fungi Identification Using Microscopic Scale Images. In 2020 IEEE 12th International Conference on Humanoid, Nanotechnology, Information Technology, Communication and Control, Environment, and Management (HNICEM), 3-7 December, Manila, Philippines, 1-5.
  • Fan, M., Chakraborti, T., Eric, I., Chang, C., Xu, Y., Rittscher, J. 2020. Fine-Grained Multi-Instance Classification in Microscopy through Deep Attention. In 2020 IEEE 17th International Symposium on Biomedical Imaging (ISBI), 3-7 April, Iowa City, IA, USA, 169-173.
  • Polap, D., Wozniak, M., Korytkowski, M., Scherer, R. 2020. Encoder-Decoder Based CNN Structure for Microscopic Image Identification. In International Conference on Neural Information Processing, 23-27 November, 301-312.
  • Mital, M. E., Tobias, R. R., Villaruel, H., Maningo, J. M., Billones, R. K., Vicerra, R. R., Dadios, E. 2020. Transfer Learning Approach for the Classification of Conidial Fungi (genus aspergillus) Thru Pre-Trained Deep Learning Models. In 2020 IEEE Region 10 Conferance (TENCON), 16-19 November, Osaka, Japan, 1069-1074.
  • Gaikwad, S. S., Rumma, S. S., Hangarge, M. 2021. Fungi classification using convolution neural network. Turkish Journal of Computer and Mathematics Education (TURCOMAT), 12(10), 4563-4569. DOI:10.17762/turcomat.v12i10.5200
  • Gaikwad, S. S., Bhalerao, S., Rumma, S. S., Hangarge, M. 2021. Classification of Microscopic Images of Fungi Using Deep Learning Models. SAMRIDDHI: A Journal of Physical Sciences, Engineering and Technology, 13(SUP 2), 105-110.
  • Çalık, R. C. 2018. Gömülü Sistem Üzerinde Evrişimsel Sinir Ağları ile Nesne Sınıflandırması. TOBB ETÜ, Fen Bilimleri Enstitüsü, Yüksek Lisans Tezi, 78s, Ankara.
  • Hao, R., Wang, X., Zhang, J., Liu, J., Du, X., Liu, L. 2019. Automatic detection of fungi in microscopic leucorrhea images based on convolutional neural network and morphological method. In 2019 IEEE 3rd Information Technology, Networking, Electronic and Automation Control Conference (ITNEC), 15-17 March, Chengdu, China, 2491-2494.
  • Wang, Y., Sun, L., Ma, K., Fang, J. 2018. Breast cancer microscope image classification based on CNN with image deformation. In Image Analysis and Recognition: 15th International Conference, 27–29 June, Povoa de Varzim, Portugal, 845-852.
  • Karakurt, M., & İşeri, İ. 2022. Patoloji Görüntülerinin Derin Öğrenme Yöntemleri İle Sınıflandırılması. Avrupa Bilim ve Teknoloji Dergisi, (33), 192-206. DOI:10.31590/ejosat.1011091
  • Tahir, M. W., Zaidi, N. A., Rao, A. A., Blank, R., Vellekoop, M. J., & Lang, W. 2018. A fungus spores dataset and a convolutional neural network based approach for fungus detection. IEEE transactions on nanobioscience, 17(3), 281-290.
  • Wahid, M. F., Hasan, M. J., & Alom, M. S. (2019, September). Deep Convolutional Neural Network for Microscopic Bacteria Image Classification. In 2019 5th International Conference on Advances in Electrical Engineering (ICAEE), 26-28 September, Dhaka, Bangladesh, 866-869.
  • Oktaria, A. S., Prakasa, E., & Suhartono, E. 2019. Wood Species Identification Using Convolutional Neural Network (CNN) Architectures on Macroscopic Images. Journal of Information Technology and Computer Science, 4(3), 274-283.
  • İnik, Ö., Ülker, E. 2017. Derin öğrenme ve görüntü analizinde kullanılan derin öğrenme modelleri. Gaziosmanpaşa Bilimsel Araştırma Dergisi, 6(3), 85-104.
  • Günal, A. 2020. Derin Öğrenme Nedir? Nerelerde Kullanılır? https://www.bilimya.com/derin-ogrenme-nedir-nerelerde-kullanilir.html (Erişim Tarihi: 08.06.2023).
  • Şeker, A., Diri, B., Balık, H. H. 2017. Derin öğrenme yöntemleri ve uygulamaları hakkında bir inceleme. Gazi Mühendislik Bilimleri Dergisi, 3(3), 47-64.
  • Doğan, Ö. 2020. Derin Öğrenme Nedir? Yapay Sinir Ağları Ne İşe Yarar? https://teknoloji.org/derin-ogrenme-nedir-yapay-sinir-aglari-ne-ise-yarar/ (Erişim Tarihi: 08.06.2023).
  • Hussain, M., Bird, J. J., Faria, D. R. 2019. A study on cnn transfer learning for image classification. In Advances in Computational Intelligence Systems: Contributions Presented at the 18th UK Workshop on Computational Intelligence, 5-7 September, Nottingham, UK 191-202.
  • Aydın, A. G. A. 2021. Derin Öğrenme. Bilgisayar Bilimlerinde Teorik Ve Uygulamalı Araştırmalar, 105s.
  • Tüfekçi, M., Karpat, F. 2019. Derin Öğrenme Mimarilerinden Konvolüsyonel Sinir Ağları (CNN) Üzerinde Görüntü İşleme-Sınıflandırma Kabiliyetininin Arttırılmasına Yönelik Yapılan Çalışmaların İncelenmesi. In International Conference on Human-Computer Interaction, Optimization and Robotic Applications, 5-7 July, Ürgüp, Nevşehir, 28-31.
  • Kayalı, N. S, Omurca, S. İ. Konvolüsyonel Sinir Ağları (CNN) ile Çin Sayı Örüntülerinin Sınıflandırması. Computer Science, (Special), 184-191. DOI:10.53070/bbd.989668
  • Li, Q., Cai, W., Wang, X., Zhou, Y., Feng, D. D., Chen, M. 2014. Medical image classification with convolutional neural network. In 2014 13th international conference on control automation robotics & vision (ICARCV), 10-12 December, Singapore, 844-848. 989668
  • Ay, Ş. 2020. Model Performansını Değerlendirmek – Metrikler. https://medium.com/deep-learning-turkiye/model-performans%C4%B1n%C4%B1-de%C4%9Ferlendirmek-metrikler-cb6568705b1 (Erişim Tarihi: 10.06.2023).
  • Abacı, B. 2019. Makine Öğrenmesi Performans Ölçütleri. https://imlab.io/2019/07/14/machine-learning-performance-matrics/ (Erişim Tarihi: 10.06.2023).
Toplam 27 adet kaynakça vardır.

Ayrıntılar

Birincil Dil Türkçe
Konular Bilgisayar Yazılımı
Bölüm Araştırma Makaleleri
Yazarlar

Simara Safarlı 0000-0003-3447-9593

Uğur Gürel 0000-0001-9088-1515

Yasemin Öz 0000-0003-2243-7644

Yayımlanma Tarihi 27 Aralık 2023
Gönderilme Tarihi 12 Mayıs 2023
Kabul Tarihi 19 Temmuz 2023
Yayımlandığı Sayı Yıl 2023 Cilt: 4 Sayı: 3

Kaynak Göster

IEEE S. Safarlı, U. Gürel, ve Y. Öz, “Derin Öğrenme ile Aspergillus Mantar Türlerinin Sınıflandırılması”, ESTUDAM Bilişim, c. 4, sy. 3, ss. 15–21, 2023, doi: 10.53608/estudambilisim.1296238.

Dergimiz Index Copernicus, ASOS Indeks, Google Scholar ve ROAD indeks tarafından indekslenmektedir.