تشخيص رايانه اي انگل مالاريا با استفاده از روش هاي شناسايي الگو

Computer-Aided Diagnosis of Malaria Parsite using Patern Recognition Methods

زمينه و هدف: در اكثر موارد فرآيند تشخيص بصري بيماري ها وقت گير و دشوار بوده و نتيجه آن خيلي وابسته به تجربه و تخصص ميكروسكوپيست ها دارد؛ لذا تشخيص رايانه اي بيماري ها در كاهش زمان تشخيص و نيروي انساني و نيز خطاهاي موجود مي تواند كمك شاياني باشد. در اين تحقيق، عملكرد چهار طبقه بندي كننده در شناسايي رايانه اي انگل مالاريا بررسي مي شود. روش بررسي: در اين تحقيق 400 تصوير لام خوني آلوده به انگل مالاريا مورد استفاده قرار گرفت. ابتدا با ايجاد نقاب گلبول قرمز و تطبيق آن بر عناصر رنگي استخراج شده، فقط گلبول هاي قرمز جهت بررسي هاي بعدي مورد استفاده قرار گرفتند. سپس ويژگي هاي هيستوگرام رنگ، گرانولومتري، بافت، هيستوگرام كانال اشباع و گراديان استخراج شدند. براي تفكيك تصاوير انگلي از تصاوير غيرانگلي از چهار طبقه بندي كننده K نزديك ترين همسايه (KNN)، نزديك ترين ميانگين(NM) ، يك نزديك ترين همسايه(1NN)، و تفكيك كننده خطي فيشر(Fisher) استفاده شد. يافته ها: بالاترين عملكرد را طبقه بندي كننده KNNبا دقت %5/92 داراست و بعد از آن طبقه بندي كننده هاي 1-NN،Fisher و NM به ترتيب داراي دقت %25/90، %85 و %25/60 بودند. نتيجه گيري: باتوجه به عملكرد خوب روش پيشنهاد شده، اين روش مي تواند در طراحي نرم افزار شناسايي رايانه اي انگل مالاريا به محققين، مديران و برنامه ريزان كلان براي كنترل و تشخيص بيماري مالاريا كمك شاياني بنمايد.

Background and Objectives: In many cases of paraitic identification by visual inspection is difficult, time consuming and depends heavily on the experience of microscopists. Computer-aided diagnosis can make a significant help in saving the time, reducing workforces and the possible operator errors. The aim of this study was to assess the performance of four classifiers for detection of malaria parasite was investigated. Subjects and Methods: A total of 400 images of malaria parasite-infected blood slides were used. Intially by masking the red blood cells, in order to match the stained extracted elements, only red blood cells were used for next stage of the study. Then, the color histogram, granulometry, texture, saturation level histogram, gradient and flat texture features were extracted. For discriminating parasitic images from non-parasitic images four classifiers have been used: K-Nearest Neighbors (KNN), Nearest Mean (NM), 1-Nearest Neighbors (1NN), and Fisher linear discriminator (Fisher). Results: The best classification accuracy of 92.5%, which was achieved by KNN classifier. The accuracies of 1-NN, Fisher and NM classifiers were 90.25%, 85%, and 60.25%, respectively. Conclusion: Considering the performance of the proposed method, it can be used in the development of software for detecting malaria parasite. Thus, it can offer a significant help to researchers, managers and major planners to control malaria.