基于ResNet50骨干网络迁移学习的疟疾计算机辅助诊断
图像与视频处理
2023-04-07 v1 计算机视觉与模式识别
摘要
根据2022年世界疟疾报告，2021年报告了2.47亿例疟疾病例和61.9万例相关死亡。这凸显了该疾病在非洲热带和亚热带地区、东南亚部分区域、中美和南美的流行优势。疟疾由疟原虫寄生虫引起，通过雌性按蚊叮咬传播。因此，检测人血涂片中的寄生虫可确认疟疾感染。由于人工识别疟原虫是一项漫长耗时且准确性易变的任务，我们提出一种自动化计算机辅助诊断方法，利用ResNet50深度神经网络将疟疾薄层血涂片细胞图像分类为感染与未感染。本文中，我们在美国国家医学图书馆Lister Hill国家生物医学通信中心提供的开放访问数据库上，将预训练的ResNet50模型训练了150个周期。所得结果显示ResNet50（所提）模型的准确率、精确率和召回率分别为98.75%、99.3%和99.5%。我们将这些指标与VGG16、分水岭分割和随机森林等类似模型进行比较，表明其性能优于传统技术。
引用
@article{arxiv.2304.02925,
title = {Computer-aided Diagnosis of Malaria through Transfer Learning using the ResNet50 Backbone},
author = {Sanya Sinha and Nilay Gupta},
journal= {arXiv preprint arXiv:2304.02925},
year = {2023}
}