سامانه تشخيص خودكار مالاريا و تعيين گونه پلاسموديوم

Automated Malaria Diagnosis and the Plasmodium Species Recognition System

به منظور طراحي و ساخت سامانه‌اي هوشمند جهت تشخيص خودكار مالاريا و نيز تعيين گونه پلاسموديوم در نمونه‌هاي خوني صورت گرفت. همچنين طراحي ميكروسكوپ موتوري ارزان‌قيمت جهت تصويربرداري خودكار از لام‌هاي خون در اين پروژه به انجام رسيد. روش‌ها: به‌منظور استخراج ويژگي‌هاي تفكيك‌كننده جهت قطعه‌بندي گلبول‌هاي قرمز، تعيين حضور انگل مالاريا در آن و نيز تشخيص گونه انگل، روش‌هاي نوين پردازش تصوير پيشنهاد شد. سپس طبقه‌بندي و برچسب‌گذاري نمونه‌ها با روش‌هاي تشخيص الگو در هوش مصنوعي پياده‌سازي شد. همچنين دانش مكاترونيك و الكترونيك جهت ساخت ميكروسكوپي با قابليت حركت خودكار لام و تصويربرداري از آن به كار گرفته شد. يافته‌ها: در اين پژوهش از 15 لام خوني آلوده به گونه‌هاي مختلف مالاريا به‌عنوان داده‌هاي ورودي استفاده شد. از اين تعداد لام، 700 تصوير به‌دست آمد كه به‌منظور آموزش و ارزيابي الگوريتم‌هاي پيشنهادي تشخيص به كار گرفته شد. دقت بيش از 95% در تشخيص آلودگي و بيش از 91% در تشخيص گونه پلاسموديوم توسط سامانه پيشنهادي به‌دست آمد. نتيجه‌گيري: سامانه تشخيص خودكار گونه‌هاي انگل مالاريا دقتي در حد متخصص تشخيص انساني و در مواردي بيش از آن ارائه مي‌دهد. هزينه اندك تشخيص وعدم نياز به حضور پزشك متخصص در منطقه از ديگر مزاياي سامانه پيشنهادي است.

Aims: This research has aimed to design and manufacture a smart system for malaria detection and the determination of the plasmodium type in blood samples. Moreover, the design of a low-cost motorized microscope for automated imaging of blood smears has been conducted in this project. Methods: Image processing novel methods have been exercised to extract suitable features for the segmentation of red blood cells, malaria parasite detection, and plasmodium type recognition. Afterwards, the pattern recognition methods of artificial intelligence were used to classify and label the extracted objects. Furthermore, the combination of mechatronics and electronics contributes to the manufacturing of a microscope with the capability of moving the blood slide automatically while taking images concurrently. Results: In this research, 12 blood samples contaminated with 4 types of malaria plasmodium were used as the input data. From these slides, 700 images were obtained and used for training and testing the proposed diagnosis algorithms. The accuracy of malaria detection and plasmodium type recognition were achieved more than 95% and 91% respectively by the proposed system. Conclusion: The automated plasmodium type recognition system offers an accuracy almost equal to the level of human experts or even more than human experts in some cases. The low charges of this system and eliminating the need for an expert physician of malaria detection in the endemic regions are the other advantages of this system.