[论文解读] Improving Malaria Parasite Detection from Red Blood Cell using Deep Convolutional Neural Networks

Aimon Rahman, Hasib Zunair+6 more|arXiv (Cornell University)|Jul 23, 2019

Digital Imaging for Blood Diseases参考文献 43被引用 69

一句话总结

本文提出端到端深度卷积神经网络方法，从分割后的红细胞斑块中检测疟原虫，在 NIH Malaria Dataset 上达到 97.77% 的准确率。

ABSTRACT

Malaria is a female anopheles mosquito-bite inflicted life-threatening disease which is considered endemic in many parts of the world. This article focuses on improving malaria detection from patches segmented from microscopic images of red blood cell smears by introducing a deep convolutional neural network. Compared to the traditional methods that use tedious hand engineering feature extraction, the proposed method uses deep learning in an end-to-end arrangement that performs both feature extraction and classification directly from the raw segmented patches of the red blood smears. The dataset used in this study was taken from National Institute of Health named NIH Malaria Dataset. The evaluation metric accuracy and loss along with 5-fold cross validation was used to compare and select the best performing architecture. To maximize the performance, existing standard pre-processing techniques from the literature has also been experimented. In addition, several other complex architectures have been implemented and tested to pick the best performing model. A holdout test has also been conducted to verify how well the proposed model generalizes on unseen data. Our best model achieves an accuracy of almost 97.77%.

研究动机与目标

• 用端到端深度学习模型替代手工设计的特征提取，以从分割后的红细胞斑块检测疟疾。
• 评估多种深度卷积神经网络架构，以确定表现最佳的模型。
• 评估标准预处理技术对模型性能的影响。
• 在5折交叉验证的基础上，使用留出测试来验证泛化能力。

提出的方法

• 端到端卷积神经网络直接在原始分割的血涂片斑块上进行训练。
• 实现并测试多种卷积神经网络架构，以选择表现最佳的模型。
• 对文献中的标准预处理技术进行实验，以最大化性能。
• 在5折交叉验证下，使用准确率和损失指标对性能进行评估。
• 使用留出测试来评估对未见数据的泛化能力。
• 所使用的数据集是 NIH Malaria Dataset。

实验结果

研究问题

• RQ1 相比传统基于特征的方法，深度卷积神经网络是否能改善从分割后的红细胞斑块中检测疟原虫的性能？
• RQ2 在 NIH Malaria Dataset 上，哪种卷积神经网络架构能为此任务提供最佳性能？
• RQ3 标准预处理步骤对模型性能的影响是什么？
• RQ4 如留出测试所示，提出的模型是否能很好地泛化到未见数据？

主要发现

• 最佳模型的准确率达到 97.77%。
• 模型评估使用准确率和损失，在5折交叉验证中选择最佳架构。
• 对文献中的预处理技术进行了测试以最大化性能。
• 进行了留出测试以验证对未见数据的泛化。
• NIH Malaria Dataset 被用于评估。
• 实现并比较了多种深度架构，以鉴定表现最佳者。