Регистрация / Вход
Прислать материал

Применение искусственной нейронной сети для распознавания личиночных стадий M. edulis при проведении биотестирования

Сведения об участнике
ФИО
Саидов Даниял Магомедович
ФИО (на английском языке)
Saidov Daniyal Magomedovich
Название организации
МГУ им. М.В.Ломоносова
Информация о докладе
Вид доклада
Устный доклад
Секция
Биотестирование в нормировании и токсикологическом контроле
Название доклада
Применение искусственной нейронной сети для распознавания личиночных стадий M. edulis при проведении биотестирования
Соавторы доклада (ФИО, организация, город, страна)
Саидов Г.М., Москва, РФ; Косевич И.А., МГУ им. М.В.Ломоносова, Москва, РФ
Аннотация
Настоящая работа направлена на оптимизацию тест-системы, основанную на раннем развитии двустворчатого моллюска Mytilus edulis (Linnaeus, 1758). Построенная искусственная нейросеть с высокой точностью (99,67%) распознавала объекты на фотографии и осуществляла количественную обработку данных в автоматическом режиме.
Ключевые слова
мидия, раннее развитие, биотестирование, искусственная нейронная сеть, токсикология
Введение

В связи с ростом загрязнения Мирового океана всё больше внимания уделяется разработке новых и оптимизации существующих систем биоиндикации и биотестирования. В целях биотестирования часто используют эмбриональные и личиночные стадии развития гидробионтов, в том числе личиночные стадии двустворчатых моллюсков [1, 2, 3]. При достаточно высокой чувствительности основной недостаток данных тест-систем – длительный процесс обработки результатов методом визуального или фотоучета. В то же время всё большую популярность приобретают системы распознавания образов, основанных на искусственных нейронных сетях – программных и аппаратных моделях, построенных по принципу сетей нервных клеток живых организмов. Благодаря свёрточной топологии, такие сети достигли значительных успехов в распознавании образов, что позволяет их использовать в широком спектре исследований, в основе которых лежит обнаружение объектов.

В последнее время искусственные нейронные сети находят множественное применение в биологии и медицине. В частности, нейронные сети используют для мониторинга состояния водных объектов и моделирования показателей токсичности химических соединений [4, 5]. Использованные в данной работе свёрточные нейронные сети находят применение исключительно в медицинских исследованиях, например - при идентификации раковых клеток в пробах тканей [6].

Поэтому целью данной работы является построение искусственной нейросети и её обучение распознаванию ранних стадий развития двустворчатого моллюска M. edulis для анализа и количественной обработки результатов экспериментов в автоматическом режиме.

Методы и материалы

В качестве экспериментальной тест-системы было выбрано раннее развитие (первые 48 ч после оплодотворения) M. edulis. В качестве критерия воздействия рассматривали долю личинок, достигших стадии D-велигера от общего числа личинок. При этом появление большого количества личинок, лишенных раковины считается следствием влияния неблагоприятных условиях развития.

В работе использовали простую однопроходную нейросеть с шестью сверточными и тремя полносвязными слоями [7]. Топология сети отражена в табл. 1. На выходе сеть выдавала один из трех возможных вариантов: D-велигер, ресничная личинка, пустое пространство.

В основе обучающей выборки использованы данные экспериментов по влиянию как органических (монобутиловый эфир этилен и диэтиленгликоля), так и неорганических токсикантов (модельный токсикант K2Cr2O7). В качестве обучающей выборки было использовано около ста фотографий, где центры D-велигер и ресничных личинок были отмечены вручную. После чего, каждая личинка на изображении вырезалась в отдельный квадрат таким образом, чтобы центр личинки и квадрата совпадали. Полученное изображение поворачивали под разными углами и меняли его масштаб таким образом, чтобы соответствовать наиболее типичным положениям и размерам личинок на фотографии. Таким образом, учитывая все преобразования, в состав обучающей выборки входило более 100 000 фотографий.

Табл. 1. Топология использованной искусственной нейронной сети. Условные обозначения: Conv – свёрточный слой, Pool – масштабирующий слой, FC – полносвязный слой, Output – конечный полносвязный слой

Слои

Ядра

Вход

Выход

Conv1_1

3x3

100x100x3

98x98x96

Conv1_2

3x3

98x98x96

96x96x96

Pool1

 

98x98x96

48x48x96

Conv2_1

3x3

48x48x96

46x46x192

Conv2_2

3x3

46x46x192

44x44x192

Pool2

 

44x44x256

22x22x256

Conv3_1

3x3

22x22x256

20x20x256

Conv3_2

3x3

20x20x256

18x18x256

Pool3

 

18x18x256

9x9x256

FC1

 

9x9x256

1024

FC2

 

1024

1024

Output

 

1024

3

Полученные результаты

Использованная искусственная нейросеть достигла высокой точности распознавания объектов - 99.76%.

Для решения проблемы частичного наложения личинок, исходное изображение при анализе разбивалось на «окна» 86×86 с шагом 8 пикселей как по вертикали, так и по горизонтали. Благодаря этому нейросеть классифицировала объект как личинку только в том случае, если центр «окна» 86×86 расположен близко к центру личинки. При сдвиге окна более чем на 8 пикселей вероятность распознавания объекта как личинку падает более чем в два раза, пропорционально повышая вероятность распознавания «окна» как пустое пространство. 

Использование топологии свёртки и масштабируемых слоёв значительно ускоряет процесс распознавания объектов нейросетью.

Заключение

Благодаря включению в архитектуру сети сверточных слоев и использованию «окон» была достигнута достаточно высокая точность распознания  - 99.76%, при этом нейросеть способна распознавать отдельные личинки, даже если они сфотографированы с наложением до 30%. При этом использование нейросети позволяет полностью обработать и просчитать 10 000 фотографий за срок менее 24 часов, используя не самые передовые вычислительные мощности (Xeon E3 3,5 GHz).

Цитируемая литература
1. Martin M., Osborn K.E., Billig P, et. al. Toxicities of ten metals to Crassostrea gigas and Myti-lus edulis embryos and Cancer magister larvae // Marine Pollution Bulletin. 1981. Vol. 12, № 9. - P. 305-308.
2. Малахов В. В., Медведева Л. А. Эмбриональное развитие двустворчатых моллюсков в норме и при воздействии тяжелых металлов. М.: Наука, 1991. – 132 с.
3. Nadella S.R., Fitzpatrick J.L., Franklin N., et. al. Toxicity of dissolved Cu, Zn, Ni and Cd to developing embryos of the blue mussel (Mytilus trossolus) and the protective effect of dis-solved organic carbon // Comparative Biochemistry and Physiology, 2009. Part C 149. – P. 340–348.
4. Cheol-Ki Kima, Inn-Sil Kwakb, Eui-Young Chac, Tae-Soo Chon. Implementation of wavelets and artificial neural networks to detection of toxic response behavior of chironomids (Chi-ronomidae: Diptera) for water quality monitoring // Ecological modelling, 2006. Vol 195. P 61–71.
5. Klaus L. E. Kaiser, Stefan P. Niculescu. Modeling acute toxicity of chemicals to Daphnia magna: A probabilistic neural network approach // Environmental Toxicology and Chemistry, 2001. Vol. 20. P. 420-431.
6. Lisboa P.J., Taktak A.F. The use of artificial neural networks in decision support in cancer: a systematic review // Neural Netw., 2006. Vol. 19. P. 408-15.
7. Simonyan K., Zisserman A. Very Deep Convolutional Networks for Large-Scale Image Recognition// Computer Vision and Pattern Recognition // The Computing Research Reposito-ry (CoRR), 2014. abs/1409.1556.
Благодарности
Выражаем благодарность администрации Беломорской биологической станции МГУ им. Н.А. Перцова за предоставление лаборатории для осуществления работы.
Название, авторы, резюме (на английском языке)

Implementation of artificial neural network (ANN) to recognize
M. edulis larval stages during bioassay.

D. M. Saidov, G. M. Saidov, Kosevich I.A.

Lomonosov Moscow State University, VNIRO, Moscow, RF, 11950daniyalsaidov@yandex.ru

This work is focused on optimizing test system based on the early development of the bivalve Mytilus edulis (Linnaeus, 1758). Constructing artificial neural network with high accuracy (99.67%) recognized objects in the picture and carried out quantitative data processing in automatic mode.

Keywords: bioassay, artificial neural network, mussel, toxicity, early development