تشخیص رایانه ای انگل مالاریا با استفاده از روش های شناسایی الگو

در اکثر موارد فرآیند تشخیص بصری بیماری ها وقت گیر و دشوار بوده و نتیجه آن خیلی وابسته به تجربه و تخصص میکروسکوپیست ها دارد؛ لذا تشخیص رایانه ای بیماری ها در کاهش زمان تشخیص و نیروی انسانی و نیز خطاهای موجود می تواند کمک شایانی باشد. در این تحقیق، عملکرد چهار طبقه بندی کننده در شناسایی رایانه ای انگل مالاریا بررسی می شود.
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 گلبول های قرمز جهت بررسی های بعدی مورد استفاده قرار گرفتند. سپس ویژگی های هیستوگرام رنگ، گرانولومتری، بافت، هیستوگرام کانال اشباع و گرادیان استخراج شدند. برای تفکیک تصاویر انگلی از تصاویر غیرانگلی از چهار طبقه بندی کننده K نزدیک ترین همسایه (KNN)، نزدیک ترین میانگین(NM)، یک نزدیک ترین همسایه(1NN)، و تفکیک کننده خطی فیشر(Fisher) استفاده شد.
بالاترین عملکرد را طبقه بندی کننده KNNبا دقت %5/ 92 داراست و بعد از آن طبقه بندی کننده های 1-NN،Fisher و NM به ترتیب دارای دقت %25/ 90، %85 و %25/ 60 بودند.
باتوجه به عملکرد خوب روش پیشنهاد شده، این روش می تواند در طراحی نرم افزار شناسایی رایانه ای انگل مالاریا به محققین، مدیران و برنامه ریزان کلان برای کنترل و تشخیص بیماری مالاریا کمک شایانی بنماید.