基于简单 CNN 与聚类 GLCM 特征的疟原虫检测
图像与视频处理
2019-10-01 v1 计算机视觉与模式识别
摘要
疟疾是由疟原虫（Plasmodium）寄生虫引起的严重疾病，通过雌性按蚊叮咬传播并侵入人红细胞。必须精确识别疟疾以及时治疗患者并防止感染进一步扩散。使用显微镜检查的标准诊断技术效率低下，诊断质量取决于血涂片质量以及显微镜学家对感染与未感染细胞分类和计数的经验。卷积神经网络（CNN）是深度学习的一类，能够自动进行特征工程并学习有效特征，在疟疾诊断中可非常有效。本研究提出一种基于简单 CNN 的智能系统，通过薄血涂片图像检测疟原虫。该 CNN 模型获得了 97% 的高灵敏度和相对较高的 81% 阳性预测值（PPV）。本研究还提出一种利用从感兴趣区域（ROIs）的灰度共生矩阵（GLCM）提取的特征聚类的假阳性削减方法。加入 GLCM 特征可显著减少假阳性。然而，该技术需要手动设定轮廓和欧氏距离阈值以保证聚类质量，从而不会对灵敏度产生不利影响。
引用
@article{arxiv.1909.13101,
title = {Plasmodium Detection Using Simple CNN and Clustered GLCM Features},
author = {Julisa Bana Abraham},
journal= {arXiv preprint arXiv:1909.13101},
year = {2019}
}
备注
5 Pages, 11 figures