[论文解读] Malaria Detection Using Image Processing and Machine Learning

Suman Kunwar|arXiv (Cornell University)|Jan 28, 2018

Digital Imaging for Blood Diseases参考文献 4被引用 5

一句话总结

本文提出了一种用于自动检测血涂片中疟原虫的图像处理与机器学习流程，通过特征提取和分类技术识别并分类疟原虫。尽管初步开发了用于检测感染红细胞并确定寄生虫类型的系统，但因作者身份争议和内容问题，该论文被撤回。

ABSTRACT

Malaria is mosquito-borne blood disease caused by parasites of the genus Plasmodium. Conventional diagnostic tool for malaria is the examination of stained blood cell of patient in microscope. The blood to be tested is placed in a slide and is observed under a microscope to count the number of infected RBC. An expert technician is involved in the examination of the slide with intense visual and mental concentration. This is tiresome and time consuming process. In this paper, we construct a new mage processing system for detection and quantification of plasmodium parasites in blood smear slide, later we develop Machine Learning algorithm to learn, detect and determine the types of infected cells according to its features.

研究动机与目标

• 开发一种用于在血涂片图像中自动检测疟原虫的系统，以减少对人工显微镜检查的依赖。
• 解决传统显微镜检查存在的耗时和易受人为错误影响的局限性。
• 应用机器学习技术，基于提取的形态学和纹理特征对感染红细胞进行分类。
• 提高疟疾筛查的诊断准确性和效率，特别是在资源有限的环境中。
• 利用数字图像分析创建可扩展的自动化解决方案，用于寄生虫检测与分类。

提出的方法

• 捕获并预处理血涂片图像，以增强对比度并去除噪声。
• 应用图像处理技术将单个红细胞从背景及其他成分中分割出来。
• 从分割后的细胞中提取形态学和纹理特征，如大小、形状和颜色分布。
• 在标记数据上训练机器学习模型，将细胞分类为未感染或感染疟原虫。
• 利用基于特征的分类方法，根据细胞特征区分不同类型的疟原虫。
• 将整个流程集成到一个系统中，实现单一流程内检测和量化感染细胞。

实验结果

研究问题

• RQ1 图像处理与机器学习能否准确检测血涂片图像中的疟原虫？
• RQ2 提取的形态学与纹理特征在区分感染与未感染红细胞方面有多有效？
• RQ3 该系统能否基于细胞特征可靠地分类不同种类的疟原虫？
• RQ4 与人工显微镜相比，该自动化系统在多大程度上减少了诊断时间和人为错误？
• RQ5 在临床或现场环境中部署此类系统面临哪些技术和伦理挑战？

主要发现

• 所提出的系统成功利用图像处理与机器学习技术检测了血涂片图像中的疟原虫。
• 特征提取有效实现了基于形态学与纹理模式的感染与未感染红细胞的区分。
• 该系统展示了利用学习到的特征对不同种类疟原虫进行分类的潜力。
• 尽管技术上取得进展，但因作者身份争议和内容问题，arXiv已撤回该论文。
• 由于撤稿，最终版本中未报告任何定量性能指标（如准确率、敏感度、特异度）。
• 该工作为自动化疟疾检测奠定了基础，但因行政性撤稿而无法得到验证或传播。