[论文解读] Malaria Detection and Classificaiton

Ruskin Raj Manku, Ayush Sharma+1 more|arXiv (Cornell University)|Nov 29, 2020

Digital Imaging for Blood Diseases参考文献 11被引用 7

一句话总结

本文提出了一种基于薄血涂片图像的两阶段深度学习框架，用于疟疾检测与分类，结合了 Faster R-CNN 用于感染细胞检测，以及微调后的 ResNet-50 与四层分类器用于阶段分类。该方法在公开的现场染色数据集上实现了 82% 的准确率，为低资源环境下的未来研究建立了基准。

ABSTRACT

Malaria is a disease of global concern according to the World Health Organization. Billions of people in the world are at risk of Malaria today. Microscopy is considered the gold standard for Malaria diagnosis. Microscopic assessment of blood samples requires the need of trained professionals who at times are not available in rural areas where Malaria is a problem. Full automation of Malaria diagnosis is a challenging task. In this work, we put forward a framework for diagnosis of malaria. We adopt a two layer approach, where we detect infected cells using a Faster-RCNN in the first layer, crop them out, and feed the cropped cells to a seperate neural network for classification. The proposed methodology was tested on an openly available dataset, this will serve as a baseline for the future methods as currently there is no common dataset on which results are reported for Malaria Diagnosis.

研究动机与目标

• 开发一种适用于低收入地区、资源有限且缺乏训练病理学家的自动化、现场可部署的疟疾诊断系统。
• 解决缺乏标准化、公开可用数据集的问题，以实现对疟疾检测方法的公平比较。
• 通过将检测与分类解耦为两个专门阶段，减少池化层带来的特征损失，从而提高分类准确率。
• 在实地染色（低成本）血涂片上验证模型，而非仅在高质量吉姆萨染色图像上，以增强实际应用价值。
• 通过公开可访问的数据集提供可复现的基线，以支持未来方法的开发与评估。

提出的方法

• 采用两阶段方法：首先，Faster R-CNN 通过将细胞分类为‘感染’（涵盖环状体、滋养体、裂殖体、配子体阶段）并生成区域建议，检测受感染的红细胞（RBCs）。
• 将检测到的感染区域裁剪并缩放为固定尺寸，以保留图像特征，避免端到端 Faster R-CNN 中 RoI 池化导致的信息损失。
• 将裁剪后的感染细胞图像输入预训练的 ResNet-50 模型，以提取 2048 维特征向量。
• 将这些特征向量输入一个四层全连接神经网络，用于将寄生虫阶段分类为四种：环状体、滋养体、裂殖体和配子体。
• 数据集每类平衡为 140 张图像（共 560 张），其中 90% 用于训练，10% 用于测试，以确保评估的平衡性。
• 模型在公开可用的薄血涂片数据集上进行训练，该数据集使用现场染色，一种比吉姆萨染色更便宜的替代方法，从而增强现场适用性。

实验结果

研究问题

• RQ1 两阶段深度学习流程是否能在保留图像特征的同时，优于单阶段 Faster R-CNN 在分类疟原虫阶段方面的表现？
• RQ2 在检测与分类准确率方面，现场染色血涂片的表现与高质量吉姆萨染色图像相比如何？
• RQ3 公开可用的、与现场相关的数据集能否作为未来疟疾诊断模型的可靠基准？
• RQ4 将检测与分类解耦是否能减少 RoI 池化带来的特征损失，并提高分类准确率？
• RQ5 在低资源、现场级诊断环境中可靠部署，所需的精确率、召回率和准确率水平是多少？

主要发现

• 两阶段方法在测试集上实现了 82% 的总体准确率，宏平均 F1 分数为 0.82，加权 F1 分数为 0.82。
• 检测阶段的平均精度均值（mAP）为 0.832，召回率为 0.69，表明在识别感染细胞方面表现优异。
• 分类模型表现出较高的精确率与召回率：环状体为 0.91，裂殖体为 0.87，配子体为 0.80，滋养体为 0.73。
• 与直接分类寄生虫阶段的单阶段 Faster R-CNN 相比，两阶段方法显著提升了性能，mAP 从 0.4 提升至 0.832。
• 本研究首次建立了公开可用的、基于现场染色薄血涂片的疟疾诊断基准数据集，使未来方法的公平比较成为可能。
• 模型对现场染色图像表现出鲁棒性，而这类图像在低收入地区更为常见，表明其在真实世界诊断环境中的实际应用价值。