تشخیص رایانه‌ای انگل مالاریا با استفاده از روش‌های شناسایی الگو

نویسندگان

1 گروه مهندسی برق، دانشکدۀ مهندسی، دانشگاه شهید چمران اهواز، اهواز، ایران.

2 گروه حشره‌شناسی پزشکی، دانشکدۀ بهداشت، دانشگاه علوم پزشکی جندی‌شاپور اهواز، اهواز، ایران.

چکیده

زمینه و هدف: در اکثر موارد فرآیند تشخیص بصری بیماری­ها وقت­گیر و دشوار بوده و نتیجه آن خیلی وابسته به تجربه و تخصص میکروسکوپیست­ها دارد؛ لذا تشخیص رایانه­ای بیماری­ها در کاهش زمان تشخیص و نیروی انسانی و نیز خطاهای موجود می­تواند کمک شایانی باشد. در این تحقیق، عملکرد چهار طبقه­بندی کننده در شناسایی رایانه­ای انگل مالاریا بررسی می­شود.
روش بررسی: در این تحقیق 400 تصویر لام خونی آلوده به انگل مالاریا مورد استفاده قرار گرفت. ابتدا با ایجاد نقاب گلبول قرمز و تطبیق آن بر عناصر رنگی استخراج شده، فقط گلبول­های قرمز جهت بررسی­های بعدی مورد استفاده قرار گرفتند. سپس ویژگی­های هیستوگرام رنگ، گرانولومتری، بافت، هیستوگرام کانال اشباع و گرادیان استخراج شدند. برای تفکیک تصاویر انگلی از تصاویر غیرانگلی از چهار طبقه­بندی کننده K نزدیک­ترین همسایه (KNN)، نزدیک­ترین میانگین(NM) ، یک نزدیک­ترین همسایه(1NN)، و تفکیک­کننده خطی فیشر(Fisher)  استفاده شد.
یافته­ها: بالاترین عملکرد را طبقه­بندی کننده  KNNبا دقت %5/92 داراست و بعد از آن طبقه­بندی کننده­های 1-NN،Fisher  و NM به ترتیب دارای دقت %25/90، %85 و %25/60 بودند.
نتیجه­گیری: باتوجه به عملکرد خوب روش پیشنهاد شده، این روش می­تواند در طراحی نرم­افزار شناسایی رایانه­ای انگل مالاریا به محققین، مدیران و برنامه­ریزان کلان برای کنترل و تشخیص بیماری مالاریا کمک شایانی بنماید.
 

کلیدواژه‌ها


1-UNICEF. World Malaria Report:Technical Report: WMR and UNICEF. 2012.Unicef Health. Available from: http://www.unicef.org/health/index_malaria.html. Accessed Jul 15, 2013.

2-Gallup J, Sachs J. The economic burden of malaria. Journal of Tropical Medicine 2001; 64 (Suppl 1-2): 85-96.

3-Coatney G, Collins W, Warren M, Contacos P. The Primate Malarias . Washington: National Academy Press; 1971.

4-Mui JK, Fu KS. Automated classification of nucleated blood cells using a binary tree classifier. IEEE Trans Pattern Analysis and Machine Intelligence 1980; 2(5): 429-43.

5-Otsu N. A threshold selection method from gray-level histograms. IEEE Trans Systems, Man & Cybernetics 1979; 9 (1): 62–6.

6-Korn TM, Korn GA, editors. Mathematical Handbook for Scientists and Engineers.New York: Dover Publications;  2000 .

 7-Rodenaker K, Bengtsson E. A feature set for cytometry on digitized microscopic images. Anal Cell  Pathol 2003;  25(2): 1-36.

8- Boray TF. "Computerised Diagnosis of Malaria". PhD Thesis. London: University of Westminster, 2007.

9-Ruberto CD, Dempster A, Khan S, Jarra B. Analysis of infected blood cell images using morphological operators. Image Vision Comput 2002; 20:133–46.

10-Yang PF, Maragos P. Morphological systems for character image processing and recognition. In:Proceedings of  IEEE Int Acoustics Conference; 1993 Sep 13-15; Minneapolis, USA. New York; 2002.

11-Rao KNRM,  Dempster A. Area-granulometry: an improved estimator of size distribution of image objects. IEE Electron Lett 2001; 347(4): 950-51.

12-Theodoridis S, Koutroumbas K. Pattern recognition and neural networks.  Machine Learning and Its Applications 2001; 12(2): 169-15.

13-Lotte F, Congedo M, Lécuyer A, Lamarche F, Arnaldi B. A review of classification algorithms for EEG-based brain–computer interfaces. Journal of neural engineering 2005; 4(2): 12-5.

14-Shashua A. the  relationship between the support vector machine for classification and sparsified Fisher's linear discriminant. Neural Processing Letters 1999; 9(2): 129-39.

15-Tek FB, Dempster AG, Kale I. Parasite detection and identification for automated thin blood film malaria diagnosis. Computer Vision and Image Understanding 2010; 114: 21–32.

16-Ruberto  CD, Dempster A, Khan  S, Jarra B. Analysis of infected blood cell images using morphological operators. Image Vis. Comput 2002; 20)2): 133–46.

17-Ross NE, Pritchard CJ, Rubin  DM, Dusé  AG.  Automated image processing method for the diagnosis and classification of malaria on thin blood smears. Med Biol Eng Comput 2006; 44: 427–36.

18- SWS S, Sun W, Kumar S, Bin WZ, Tan SS. MalariaCount: An image analysis-based program for the accuratedetermination of parasitemia. Journal of Microbiological Methods 2006; 2)2):13–6.

19-Diaz G, Gonzalez F, Romero E. Infected Cell Identification in thin Blood Images Based on Color Pixel Classification: Comparison and Analysis. J Biomed Inform 2007; 4756: 812-21.

20-Kumarasamy SK, Ong SH, Tan KSW. Robust contour reconstruction of red blood cells and   parasites in the automated identification of the stages of malarial infection. Machine Vision and Applications springer 2011; 22(1): 461-9.

21-Das D, Ghosh M, Chakraborty C.  Probabilistic   Prediction of Malaria using Morphological and  Textural Information. India, Bengal:  International Conference on Image Information Processing (ICIIP);  2011.