使用YOLOv9检测红血细胞中的疟疾寄生虫,这些红血细胞具有rouleaux形成形态
Fatima Abdullahi Muhammad1, Rubita Sudirman2, Nor Aini Zakaria2
1Department of Electronics and Computer Engineering, Faculty of Electrical Engineering, Universiti Teknologi Malaysia, Johor Bahru, Johor 81310 UTM, Malaysia; Department of Mechatronics Engineering, Faculty of Engineering, Bayero University Kano, Gwarzo Road, Kano PMB 3011, Nigeria.
Tissue & cell
|December 25, 2024
概括
这项研究引入了用于疟疾诊断的新数据集,重点是红血细胞 (RBC) 具有rouleaux形成. 使用YOLOv9s的自动化系统在这些复杂的样本中改善了对疟疾寄生虫的检测.
科学领域:
- 血液学 血液学 血液学
- 医学诊断 医学诊断 医学诊断
- 计算机视觉 计算机视觉
背景情况:
- 疟疾是贫困地区普遍存在的疾病,通常与其他感染一起发生.
- 红细胞 (RBC) 变形,如形形成,在疟疾患者中很常见,并表明各种潜在疾病.
- 精确检测在rouleaux形成中的疟疾寄生虫对于开发公正的自动诊断工具至关重要.
研究的目的:
- 开发一套含有红细胞的细血涂抹数据集,其中含有被Plasmodium falciparum和Plasmodium malariae感染的RBC.
- 评估YOLOv9s架构在此专用数据集中检测疟疾寄生虫和白细胞的性能.
- 为了比较从头开始训练的YOLOv9s与使用预先训练的重量来提高诊断准确性的有效性.
主要方法:
- 创建了一个新型的细血涂抹数据集,其中包括带有形形成和疟疾寄生虫 (Plasmodium falciparum,Plasmodium malariae) 的红细胞.
- 应用YOLOv9的深度学习架构用于数据集内的对象检测任务.
- 使用"从头开始训练"和"在MS COCO上预训练"配置对YOLOv9的性能进行基准测试.
主要成果:
- 从头开始训练的YOLOv9实现了75.4%的精度,76.6%的回忆率和80.3%的mAP50.
- 在MS COCO上预训练的YOLOv9显示性能有所改善:精度提高0.4%,回忆提高5.4%,mAP提高2.5%.
- 这项研究强调了预训练重量对提高在复杂的红细胞形态中检测疟疾的诊断能力的影响.
结论:
- 开发的数据集和YOLOv9s模型为公正的自动疟疾诊断提供了基础,特别是在联合感染或复杂病例中.
- 使用预先训练的重量显著提高了YOLOv9s在检测rouleaux形成内的疟疾寄生虫的性能.
- 将这些发现纳入自动化系统的进一步开发可以改善流行地区的疟疾诊断.
