基于深度学习的广义架构，根据显微镜图像 辅助人类疟疾诊断 (源代码可见于文中GitHub)

​ 疟疾是一种由疟原虫引起的传染病，可能危及人类生命。5 岁以下儿童是最脆弱的群体，大约每两分钟就有 1 人死亡，占所有疟疾死亡人数的 65% 以上。世界卫生组织 (WHO) 鼓励研究通过快速和经济的诊断来治疗疟疾的适当方法。

本文提出了一个基于深度学习的框架，用于从薄血涂片的显微图像中诊断人类疟疾感染。该框架基于直接分割和分类方法，该方法依赖于对寄生虫本身的分析。该框架允许分割图像中的疟原虫寄生虫并预测其在四个主要类别中的种类：恶性疟原虫、疟疾疟原虫、卵形疟原虫和间日疟原虫 (P. Falciparum, P. Malaria, P. Ovale, and P. Vivax)。通过考虑多个数据集的实验研究，证明了架构 (如下图所示) 在类间数据上具有竞争性能的高泛化潜力。

Fig. 1 Overview of the proposed framework (first published in [1]).

​本文的主要贡献如下：

– 依赖于寄生虫本身分析的直接分割和分类方法。近期其他文献中提出的方法旨在量化受感染红细胞的数量，但本文的架构允许描绘这些细胞内寄生虫形状的轮廓，从而提供精确的分析工具。

– 一个在类间数据上泛化的框架，在两个疟疾数据集上展示了效率。由于数据采集条件（例如放大倍率、照明条件和显微镜特性）的差异，数据集由具有极其不同特征的图像组成。

– 一项考虑六个数据源的疟疾图像分析实验研究，从而概述了基于疟疾的特征检测、分割和分类方面的挑战。

– 一种新型的数据增强技术，名为局部寄生虫纹理扫描 (LPTS)，该技术可以显着增加小型细胞图像数据集的图像数量。LPTS 增强使用简单有效的裁剪和偏离技术从真实数据中生成局部图像变化。实验结果表示，LPTS 可以显着提高分类深度架构的准确性。

源代码在GitHub上公开: https://github.com/Benhabiles-JUNIA/MalariaNet

论文链接如下: A generalized deep learning-based framework for assistance to the human malaria diagnosis from microscopic images | SpringerLink

参考文献:

[1] Yang, Z., Benhabiles, H., Hammoudi, K. et al. A generalized deep learning-based framework for assistance to the human malaria diagnosis from microscopic images. Neural Computing and Applications, Springer (2021).