Parasitic egg detection with custom data

Marcandella, Thomas; Thür, Adrian

doi:10.21256/zhaw-29947

Please use this identifier to cite or link to this item: https://doi.org/10.21256/zhaw-29947

Publication type:	Bachelor thesis
Title:	Parasitic egg detection with custom data
Authors:	Marcandella, Thomas Thür, Adrian
Advisors / Reviewers:	Zaugg, Christoph Füchslin, Rudolf Marcel
DOI:	10.21256/zhaw-29947
Extent:	62
Issue Date:	2023
Series:	Bachelorarbeiten ZHAW School of Engineering
Publisher / Ed. Institution:	ZHAW Zürcher Hochschule für Angewandte Wissenschaften
Publisher / Ed. Institution:	Winterthur
Language:	English
Subject (DDC):	006: Special computer methods 616: Internal medicine and diseases
Abstract:	Parasitic intestinal infections remain among the most common causes of disease worldwide. In particular, the fox tapeworm leads to many deaths. Early diagnosis with appropriate treatment is of great importance. Manual diagnosis of the parasites is time consuming and requires a high level of expertise and experience. In this work, we show how a first step towards a cost-effective and automated procedure could look like. The available data set consists of microscopic images of worm eggs taken from foxes. The Institute of Parasitology of the University of Zurich provided the fecal samples and acts as an external partner in this project. A transfer learning strategy using ResNet50 was used to classify the parasite eggs. The application of bounding box level augmentation and object detection required manual bounding box labeling. This bachelor thesis uses our own experiments to investigate the utility of popular techniques in the image classification domain. These include various visualization techniques of Convolutional Neural Networks (CNNs) such as Guided Backpropagation and the application of Principal Component Analysis (PCA) for dimensionality reduction. A simple web service with a graphical user interface was created as the production environment. All computations were performed on current notebooks or on Google Colab in its free version. The results of the work show that solid model performance was achieved despite these limitations. The web service together with the generated code provides a good basis for a continuation of the project. Parasitäre Darminfektionen gehören nach wie vor zu den weltweit häufigsten Krankheitsursachen. Insbesondere der Fuchsbandwurm führt zu vielen Todesfallen. Eine frühe Diagnostik mit einer entsprechenden Behandlung ist dabei von grosser Bedeutung. Die manuelle Diagnostik der Parasiten ist zeitaufwendig und setzt einen hohen Grad an Fachwissen und Erfahrung voraus. In dieser Arbeit wird gezeigt, wie ein erster Schritt in Richtung eines kostengünstigen und automatisierten Verfahrens aussehen kann. Der vorhandene Datensatz besteht aus mikroskopischen Bildern von Wurmeiern, welche Fuchsen entnommen wurden. Das Institut für Parasitologie der Universität Zürich stellte die Kotproben zur Verfügung und fungiert als externer Partner bei diesem Projekt. Für die Klassifizierung der Parasiteneier wurde eine Transfer Learning Strategie mit ResNet50 angewendet. Die Anwendung von Bounding Box Level Augmentation und Object Detection erforderte ein manuelles Bounding Box Labeling. Im Rahmen dieser Bachelorarbeit werden anhand eigener Experimente der Nutzen von beliebten Techniken im Bereich Image Classification untersucht. Dazu gehören verschiedene Visualisierungstechniken von Convolutional Neural Networks (CNNs) wie zum Beispiel Guided Backpropagation und die Anwendung von der Principal Component Analysis (PCA) zur Reduktion der Dimensionalität. Als Produktionsumgebung wurde ein einfacher Webservice mit einer grafischen Benutzeroberflache erstellt. Alle Berechnungen wurden auf aktuellen Notebooks oder auf Google Colab in der kostenlosen Version ausgeführt. Die Ergebnisse der Arbeit zeigen, dass trotz dieser Einschränkungen eine solide Modell-Performance erreicht werden konnte. Der Webservice zusammen mit dem generierten Code bildet eine gute Basis für eine Weiterführung des Projekts.
URI:	https://digitalcollection.zhaw.ch/handle/11475/29947
License (according to publishing contract):	CC BY 4.0: Attribution 4.0 International
Departement:	School of Engineering
Appears in collections:	Bachelorarbeiten ZHAW School of Engineering

Files in This Item:

File	Description	Size	Format
2023_Marcandella-Thomas_Thuehr-Adrian_BA_SoE.pdf		10.89 MB	Adobe PDF	View/Open

Show full item record

Marcandella, T., & Thür, A. (2023). Parasitic egg detection with custom data [Bachelor’s thesis, ZHAW Zürcher Hochschule für Angewandte Wissenschaften]. https://doi.org/10.21256/zhaw-29947

Marcandella, T. and Thür, A. (2023) Parasitic egg detection with custom data. Bachelor’s thesis. ZHAW Zürcher Hochschule für Angewandte Wissenschaften. Available at: https://doi.org/10.21256/zhaw-29947.

T. Marcandella and A. Thür, “Parasitic egg detection with custom data,” Bachelor’s thesis, ZHAW Zürcher Hochschule für Angewandte Wissenschaften, Winterthur, 2023. doi: 10.21256/zhaw-29947.

MARCANDELLA, Thomas und Adrian THÜR, 2023. Parasitic egg detection with custom data. Bachelor’s thesis. Winterthur: ZHAW Zürcher Hochschule für Angewandte Wissenschaften

Marcandella, Thomas, and Adrian Thür. 2023. “Parasitic Egg Detection with Custom Data.” Bachelor’s thesis, Winterthur: ZHAW Zürcher Hochschule für Angewandte Wissenschaften. https://doi.org/10.21256/zhaw-29947.

Marcandella, Thomas, and Adrian Thür. Parasitic Egg Detection with Custom Data. ZHAW Zürcher Hochschule für Angewandte Wissenschaften, 2023, https://doi.org/10.21256/zhaw-29947.