چارچوبی برای استخراج آناتومی و طبقه بندی تصاویر پشه با رویکرد یادگیری عمیق

پشه ها عامل اصلی انتشار بیماری های خطرناک مانند مالاریا، تب زرد، تب دانگ و زیکا هستند. موثرترین روش کنترل این دسته از بیماری ها، شناسایی صحیح انواع گونه های پشه است. در روش شناسایی پشه ها به شیوه سنتی، تعیین هویت بر اساس تشخیص های مرفولوژیکی توسط انسان های متخصص با مهارت های خاص صورت می-گیرد. مهمترین چالش طبقه بندی کاهش تعداد افراد خبره و تنوع زیاد گونه های مختلف پشه است. به منظور غلبه بر این چالش، توسعه یک روش خودکار بر اساس معماری های یادگیری عمیق برای شناسایی و طبقه بندی پشه ها منبع ارزشمندی برای افراد غیر متخصص خواهد بود. هدف از این پژوهش، ارایه مدلی از نوع شبکه کانولوشن به منظور قطعه بندی و طبقه بندی تصاویر پشه با ادغام معماری ResNet101 و تکنیک Mask_RCNN می باشد. 2354 تصویر پشه از سه گونه آنوفل، آیدس و کولکس با یکدیگر مقایسه می شوند. در مدل پیشنهادی به جای ورودی شبکه به صورت تصویر کامل پشه ابتدا تصاویر قطعه بندی شده و سپس قسمت های مختلف شکم، پا، بال و سر به عنوان ورودی به شبکه داده می شود. ماسک باینری متناظر از اجزای تشریح شده بدن پشه توسط شبکه کانولوشن جهت استخراج ویژگی برای هر قسمت مجزا تولید می شود و سپس مقدار زیان بین مقادیر طبقه بندی شده و برچسب تصاویر محاسبه می شود. نتایج ارزیابی نشان داد استخراج تصاویر آناتومی پشه بر طبقه بندی سریع تر تصاویر تاثیر می گذارد و شبکه با دقت 84/97 درصد نسبت به حالت معمولی بهتر عمل کرده است.