一个自动化的疟疾细胞检测从薄的血液涂抹图像使用深度学习

科学领域:

• 医学诊断 医学诊断 医学诊断
• 医疗保健中的人工智能
• 寄生虫学的寄生虫学

背景情况:

• 准确的疟疾诊断对于有效治疗至关重要.
• 血液膜的显微镜检查是当前的标准,但需要熟练的人员.
• 深度学习为自动疟疾检测提供了潜力.

研究的目的:

• 确定用于疟疾诊断的最佳深度学习对象检测架构.
• 为了评估Yolov4,更快的R-CNN和SSD 300模型的性能.
• 在独立数据集上评估表现最好的模型的可通用性.

主要方法:

• 在感染疟疾的血液细胞图像上训练有素的物体检测模型 (Yolov4,更快的R-CNN,SSD 300).
• 采用了80/20的训练测试方法,分为所有五种疟疾寄生虫物种和四个感染阶段.
• 使用精度,回忆,F1得分和平均平均精度 (mAP) 评估模型性能.

主要成果:

• 约洛夫4实现了高性能:83%的精度,95%的回忆,89%的F1得分和93.87%的mAP在0.5值下.
• 约洛夫4模型在一个独立的数据集上展示了强大的概括能力.
• 对象检测模型消除了单细胞图像训练的需要.

结论:

• Yolov4是一个合适的深度学习替代方案,用于在全血涂抹图像中检测疟疾感染细胞.
• 对象检测通过简化检测过程来补充深度学习分类.
• 人工智能驱动的对象检测在各种环境中为疟疾诊断提供了一种可行的方法.