Malaria Parasitic Detection using a New Deep Boosted and Ensemble Learning Framework
Auteurs : Saddam Hussain Khan
Points clés générés par l'IA
- La malaria est une maladie potentiellement mortelle causée par le parasite Plasmodium injecté par les moustiques anophèles femelles.
- Le dépistage manuel de la malaria est laborieux et sujet aux erreurs.
- Un nouveau cadre d'apprentissage en profondeur et d'ensemble appelé DBEL a été développé pour le dépistage des parasites du paludisme.
- Le cadre DBEL comprend l'empilement de nouveaux réseaux neuronaux à convolution Boosted-BR-STM (CNN) et de classificateurs d'apprentissage automatique en ensemble.
- Le Boosted-BR-STM proposé est basé sur un nouveau bloc STM à convolution dilatée et sur les idées de Squeezing-Boosting (SB) des cartes de caractéristiques.
- Le nouveau bloc STM utilise des opérations régionales et frontalières pour apprendre les motifs spécifiques des parasites du paludisme.
- Le cadre DBEL implique l'empilement de canaux boostés remarquables et diversifiés, fournissant ainsi les caractéristiques discriminantes générées par le Boosted-BR-STM développé à l'ensemble des classificateurs d'apprentissage automatique.
- Le cadre DBEL a atteint une précision de 98,50%, une sensibilité de 0,9920, un score F de 0,9850 et une AUC (aire sous la courbe) de 0,997 dans le dépistage des parasites du paludisme.
Résumé : Malaria is a potentially fatal plasmodium parasite injected by female anopheles mosquitoes that infect red blood cells and millions worldwide yearly. However, specialists' manual screening in clinical practice is laborious and prone to error. Therefore, a novel Deep Boosted and Ensemble Learning (DBEL) framework, comprising the stacking of new Boosted-BR-STM convolutional neural networks (CNN) and the ensemble ML classifiers, is developed to screen malaria parasite images. The proposed Boosted-BR-STM is based on a new dilated-convolutional block-based split transform merge (STM) and feature-map Squeezing-Boosting (SB) ideas. Moreover, the new STM block uses regional and boundary operations to learn the malaria parasite's homogeneity, heterogeneity, and boundary with patterns. Furthermore, the diverse boosted channels are attained by employing Transfer Learning-based new feature-map SB in STM blocks at the abstract, medium, and conclusion levels to learn minute intensity and texture variation of the parasitic pattern. The proposed DBEL framework implicates the stacking of prominent and diverse boosted channels and provides the generated discriminative features of the developed Boosted-BR-STM to the ensemble of ML classifiers. The proposed framework improves the discrimination ability and generalization of ensemble learning. Moreover, the deep feature spaces of the developed Boosted-BR-STM and customized CNNs are fed into ML classifiers for comparative analysis. The proposed DBEL framework outperforms the existing techniques on the NIH malaria dataset that are enhanced using discrete wavelet transform to enrich feature space. The proposed DBEL framework achieved Accuracy (98.50%), Sensitivity (0.9920), F-score (0.9850), and AUC (0.997), which suggest it to be utilized for malaria parasite screening.
Outils pour cet article
Posez des questions sur cet article à notre assistant IA
Vous pouvez aussi discutez avec plusieurs papiers à la fois ici.
Le résumé précédent a été créé il y a plus d'un an et peut être réexécuté (si nécessaire) en cliquant sur le bouton Exécuter ci-dessous.
Articles similaires résumés avec nos outils d'IA
Naviguez à travers encore plus d'articles similaires en utilisant une
représentation arborescenteRecherchez des articles similaires (en version bêta)
Nous comparons le titre et le résumé avec les articles indexés dans notre base. Pour les articles arXiv, la recherche porte sur la même catégorie ; pour les DOI et les autres sources, elle couvre toutes les sources et disciplines. Vous pouvez la relancer à mesure que notre base s’enrichit.
Avertissement : Notre outil de synthèse basé sur l'IA et l'assistant virtuel fournis sur ce site Web peuvent ne pas toujours fournir des résumés complets ou des réponses exactes. Nous vous encourageons à examiner attentivement et à évaluer le contenu généré pour vous assurer de sa qualité et de sa pertinence par rapport à vos besoins.