基于新型深度提升与集成学习框架的疟原虫检测

疟疾是一种由雌性按蚊注入的潜在致命疟原虫引起的疾病，其感染红细胞，每年影响全球数百万人。然而，临床实践中专家的人工筛查费力且易出错。因此，本文提出了一种新颖的深度提升与集成学习（DBEL）框架，该框架由新型 Boosted-BR-STM 卷积神经网络（CNN）的堆叠与机器学习（ML）分类器的集成组成，用于筛查疟原虫图像。所提出的 Boosted-BR-STM 基于一种新的基于扩张卷积块的拆分-变换-合并（STM）和特征图压缩-提升（SB）思想。此外，新的 STM 块利用区域和边界操作来学习疟原虫的均匀性、异质性和边界模式。进一步，通过在 STM 块中采用基于迁移学习的新型特征图 SB，在抽象、中间和结论层级上获得多样化的提升通道，以学习寄生虫模式的微小强度和纹理变化。所提出的 DBEL 框架实现了显著且多样化提升通道的堆叠，并将所开发的 Boosted-BR-STM 生成的判别特征提供给 ML 分类器的集成。所提出的框架提升了集成学习的判别能力与泛化性。此外，将所开发的 Boosted-BR-STM 和定制 CNN 的深度特征空间输入 ML 分类器以进行 comparative 分析。所提出的 DBEL 框架在经离散小波变换增强以丰富特征空间的 NIH 疟疾数据集上优于现有技术。所提出的 DBEL 框架取得了准确率（98.50%）、灵敏度（0.9920）、F 值（0.9850）和 AUC（0.997），表明其可用于疟原虫筛查。