一个强大的疟疾细胞检测框架使用适应性和状卷积基于循环的Mobilenetv2与Trans-MobileUNet + + -基于异常细分

科学领域:

• 医疗成像医学成像
• 寄生虫学的寄生虫学
• 人工智能的人工智能

背景情况:

• 疟疾是一种致命的蚊子传播疾病,需要及早检测才能有效治疗.
• 目前的诊断方法,如快速诊断测试 (RDTs) 和显微镜,在准确性,成本和可访问性方面都有局限性,特别是在特有地区.
• 现有的疟疾检测深度学习模型往往需要大量的计算资源.

研究的目的:

• 开发一种基于深度学习的先进适应方法,用于在医学图像中准确检测疟疾细胞.
• 在精度,处理能力和成本方面克服传统和当前深度学习方法的局限性.
• 提高疟疾早期诊断能力.

主要方法:

• 设计了一个新的自适应深度学习框架,结合图像细分和细胞识别.
• 使用已开发的Trans-MobileUNet++ (T-MUnet++) 网络进行异常细分,利用其全球上下文捕获进行细分任务.
• 疟疾细胞的识别是使用基于适应性和心脏卷积的复发性MobilenetV2 (AA-CRMV2) 模型实现的.
• 使用基于随机参数的更新Fennec Fox优化 (URP-FFO) 算法优化了AA-CRMV2模型的参数.

主要成果:

• 开发的Trans-MobileUNet++有效地对医疗图像中的异常进行了细分.
• 由URP-FFO优化的AA-CRMV2模型在识别疟疾细胞方面表现出高效.
• 实验分析表明,拟议的自适应深度学习方法在疟疾检测中表现优于经典技术.

结论:

• 拟议的基于深度学习的自适应方法为从医学图像中检测疟疾提供了有希望,准确和高效的解决方案.
• 这种方法有可能提高早期诊断,特别是在资源有限的环境中.
• 集成先进的细分和优化识别模型代表了自动疟疾诊断的重大进步.