论文部分内容阅读
疟疾是一种由疟疾寄生虫导致且威胁人类生命的传染性疾病,目前世界上约有2.19亿例疟疾病例,涵盖90多个国家,每年由疟疾导致的死亡人数达到40多万人。精确的疟原虫检测是疟疾后续治疗和管理的前提,光学显微镜筛查(Microscope)是当前世界上疟原虫检测的金标准,其缺点是耗时长,且其精度完全取决于技术人员的专业性。然而,在一些资源匮乏的地区,缺乏专业的检测人员是他们面临的最大难题。针对此问题,本论文主要研究基于深度学习实现快速、高精度的疟疾自动诊断方法。论文的主要贡献如下:(1)针对薄血片图像中的疟原虫感染细胞检测,我们基于模型Fine-tuning策略,将视觉几何群网络(Visual Geometry Group,VGG)和支持向量机(Support Vector Machine,SVM)进行结合,提出了 VGG+SVM模型疟原虫自动检测模型。该模型通过预训练的VGG网络提取疟原虫图像特征,然后使用SVM分类器进行分类。我们在芬兰分子医学研究所提供的公开免费MAMIC数据集上对所提出的模型进行测试,MAMIC数据集包含从50个薄血液涂片中获取的2550张图片样本,其中包含1030张受疟原虫感染和1520张未受到疟原虫感染的图片。实验最终获得了91.97%的准确率,实验结果表明,该方法比其它基于CNN的模型取得了更好的结果。(2)针对厚血片图像中的小目标疟原虫检测,我们使用基于Faster-RCNN深度学习模型对目标进行检测。该模型主要有两部分组成,第一部分是用于提取特征区域的深度卷积网络,第二个部分是使用第一部分提取的特征区域检测目标的Fast-RCNN模型。我们使用乌干达马克雷雷大学Artificial Intelligence and Data Science Research Group提供的公开免费数据集对我们的Faster-RCNN模型进行了评估。实验结果表明,我们使用的faster-RCNN可获得89.98%的准确率,相比于其它基于该数据集上的其它方法。该模型可以轻易的延伸到其它寄生虫或者血液病原体的检测,对全球疾病尤其是疟原虫的检测具有重要意义。