在异质数据上进行疟疾寄生虫检测的图像裁剪
Ibrahim Mouazamou Laoualy Chaharou1, Ismail Lawani2, Theophile Dagba3
1Institut de Mathématiques et de Sciences Physiques, Dangbo, Benin; Université d'Abomey Calavi, Benin.
Journal of microbiological methods
|August 22, 2024
概括
深度学习方法使用显微镜图像提供更早,更准确的疟疾寄生虫检测. 这种方法实现了97.50%的准确性,改善了疾病诊断和患者的治疗结果.
科学领域:
- 医学诊断 医学诊断 医学诊断
- 计算生物学 计算生物学
- 寄生虫学的寄生虫学
背景情况:
- 疟疾是一种由蚊子传播的危及生命的寄生虫疾病,构成了全球卫生挑战.
- 目前的诊断方法如显微镜和快速诊断测试 (RDT) 在准确性和早期检测方面存在局限性.
- 早期检测对于有效治疗疟疾和预防严重后果至关重要.
研究的目的:
- 开发和评估深度学习模型,以更早,更准确地检测疟疾寄生虫.
- 为了提高诊断能力超越使用计算机视觉的传统方法.
- 通过血液涂抹的先进图像分析来改善疟疾控制.
主要方法:
- 利用深度学习,特别是卷积神经网络 (CNN),DenseNet和LeNet-5,用于疟疾寄生虫的识别.
- 采用图像预处理技术来解决红细胞特征和人工制造物的变化.
- 在33007张来自876名不同患者的微观血液涂抹图像的大数据集上训练和测试模型.
主要成果:
- 在测试数据集上,DenseNet模型实现了最高的分类准确率97.50%,即97.50%.
- 深度学习模型在异构的患者数据中展示了高概括能力.
- 提出的方法显示了改善疟疾诊断准确性的巨大潜力.
结论:
- 深度学习,特别是DenseNet,为从微观图像中检测疟疾提供了一个有希望的,准确的和高度可通用的方法.
- 这项技术可以帮助早期诊断疾病,促进及时治疗,并可能挽救生命.
- 计算机视觉的进步代表了对抗疟疾的重大进步.
