Eine neuartige Implementierung eines Deep-Learning-Ansatzes zur Erkennung von Malaria-Parasiten in dünnen Blutkörperchenbildern

Malaria ist als akute febrile Erkrankung bekannt, die durch den Stich von weiblichen Anopheles-Mücken verursacht wird und sich mit Symptomen wie Kopfschmerzen, Fieber, Schüttelfrost, Erbrechen und Müdigkeit äußert. Die Diagnose von Malaria basiert weiterhin auf der manuellen Identifikation von Plasmodium-parasitisierten Zellen in mikroskopischen Untersuchungen von Blutkörperchen, die als parasitenbasierte mikroskopische Diagnosetests bekannt sind. Die Genauigkeit dieser manuellen Diagnosemethode wird eindeutig vom Erfahrungsniveau des Mikroskopikers beeinflusst, was diese Diagnosemethode anfällig für menschliche Fehler macht und zeitaufwendig ist. Diagnosen von Krankheiten, die mit Deep-Learning-Methoden erstellt werden, haben in der medizinischen Welt, insbesondere in den letzten Jahren, erhebliche Auswirkungen gehabt; dies deutet darauf hin, dass die Diagnose von Malaria auch mit Deep-Learning-Methoden erreicht werden kann. Auf der Grundlage dieser Tatsache präsentiert dieses Papier eine neuartige tiefenlernbasierte Technik zur Erkennung von Malaria. Eine Architektur eines Convolutional Neural Networks (CNN), die 20 gewichtete Schichten umfasst, wurde entworfen und vorgeschlagen, um parasitisierte mikroskopische Bilder von ungeimpften mikroskopischen Bildern zu identifizieren. Insgesamt wurden 27.558 dünne Blutkörperchenbilder verwendet, um das CNN-Modell zu trainieren und zu testen, und es wurde eine Gesamtgenauigkeit von 95,28 % erzielt. Die experimentellen Ergebnisse auf einem großen klinischen Datensatz zeigen die Wirksamkeit der vorgeschlagenen Deep-Learning-Methode zur Erkennung von Malaria.