تشخیص رایانه‌ای انگل مالاریا با استفاده از روش‌های شناسایی الگو

Abstract

<strong>زمینه و هدف:</strong> در اکثر موارد فرآیند تشخیص بصری بیماری­ها وقت­گیر و دشوار بوده و نتیجه آن خیلی وابسته به تجربه و تخصص میکروسکوپیست­ها دارد؛ لذا تشخیص رایانه­ای بیماری­ها در کاهش زمان تشخیص و نیروی انسانی و نیز خطاهای موجود می­تواند کمک شایانی باشد. در این تحقیق، عملکرد چهار طبقه­بندی کننده در شناسایی رایانه­ای انگل مالاریا بررسی می­شود. <strong>روش بررسی:</strong> 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 گلبول­های قرمز جهت بررسی­های بعدی مورد استفاده قرار گرفتند. سپس ویژگی­های هیستوگرام رنگ، گرانولومتری، بافت، هیستوگرام کانال اشباع و گرادیان استخراج شدند. برای تفکیک تصاویر انگلی از تصاویر غیرانگلی از چهار طبقه­بندی کننده K نزدیک­ترین همسایه (KNN)، نزدیک­ترین میانگین(NM) ، یک نزدیک­ترین همسایه(1NN)، و تفکیک­کننده خطی فیشر(Fisher) استفاده شد. <strong>یافته­ها:</strong> بالاترین عملکرد را طبقه­بندی کننده KNNبا دقت %5/92 داراست و بعد از آن طبقه­بندی کننده­های 1-NN،Fisher و NM به ترتیب دارای دقت %25/90، %85 و %25/60 بودند. <strong>نتیجه­گیری:</strong> باتوجه به عملکرد خوب روش پیشنهاد شده، این روش می­تواند در طراحی نرم­افزار شناسایی رایانه­ای انگل مالاریا به محققین، مدیران و برنامه­ریزان کلان برای کنترل و تشخیص بیماری مالاریا کمک شایانی بنماید. <strong> </strong>