基于机器学习和深度学习的自动化网页血原板检测系统
计算机视觉与模式识别
2024-12-18 v1 人工智能
机器学习
图像与视频处理
摘要
血原板寄生虫在全球范围内构成重大的健康负担，导致广泛的痛苦和死亡。准确检测血原板感染对于有效的治疗和控制至关重要。然而，现有的自动化检测技术在准确性和通用性方面表现有限。许多研究仅聚焦于特定特征，未探索更为全面的方法。本研究采用传统CNN和迁移学习模型（包括VGG19、InceptionV3和Xception）构建血原板感染细胞分类的深度学习技术。所用模型使用NIH数据集进行训练，并使用准确率、精确率、召回率和F1分数等不同性能指标进行测试。测试结果显示，深度CNN达到了最高的准确率——97%，其后是Xception，准确率为95%。机器学习模型SVM达到了83%的准确率，而Inception-V3达到了94%的准确率。此外，该系统可通过网页界面访问，用户可上传血细胞染色片图像进行血原板检测。
引用
@article{arxiv.2407.00120,
title = {Automated Web-Based Malaria Detection System with Machine Learning and Deep Learning Techniques},
author = {Abraham G Taye and Sador Yemane and Eshetu Negash and Yared Minwuyelet and Moges Abebe and Melkamu Hunegnaw Asmare},
journal= {arXiv preprint arXiv:2407.00120},
year = {2024}
}