[论文解读] Plasmodium Detection Using Simple CNN and Clustered GLCM Features

Julisa Bana Abraham|ArXiv.org|Sep 28, 2019

Digital Imaging for Blood Diseases参考文献 6被引用 7

一句话总结

本文提出了一种混合深度学习与手工设计特征的方法，用于在薄血涂片图像中自动检测疟原虫。该方法使用简单的卷积神经网络（CNN）进行初始分类，并在感兴趣区域（ROI）图像块上应用聚类后的灰度共生矩阵（GLCM）特征，以减少假阳性结果，实现了97%的敏感度和81%的阳性预测值。

ABSTRACT

Malaria is a serious disease caused by the Plasmodium parasite that transmitted through the bite of a female Anopheles mosquito and invades human erythrocytes. Malaria must be recognized precisely in order to treat the patient in time and to prevent further spread of infection. The standard diagnostic technique using microscopic examination is inefficient, the quality of the diagnosis depends on the quality of blood smears and experience of microscopists in classifying and counting infected and non-infected cells. Convolutional Neural Networks (CNN) is one of deep learning class that able to automate feature engineering and learn effective features that could be very effective in diagnosing malaria. This study proposes an intelligent system based on simple CNN for detecting malaria parasites through images of thin blood smears. The CNN model obtained high sensitivity of 97% and relatively high PPV of 81%. This study also proposes a false positive reduction method using feature clustering extracted from the gray level co-occurrence matrix (GLCM) from the Region of Interests (ROIs). Adding the GLCM feature can significantly reduce false positives. However, this technique requires manual set up of silhouette and euclidean distance limits to ensure cluster quality, so it does not adversely affect sensitivity.

研究动机与目标

• 开发一种用于在薄血涂片图像中自动检测疟原虫寄生虫的系统，以提高诊断效率和准确性。
• 解决人工显微镜检查的局限性，包括主观性和对专家经验的依赖。
• 通过感兴趣区域（ROI）的手工设计纹理特征减少疟疾检测中的假阳性率。
• 将简单CNN与聚类后的GLCM特征结合，以在不使用复杂模型架构的情况下提升诊断性能。
• 评估在实际诊断环境中GLCM特征聚类对敏感度和阳性预测值（PPV）的影响。

提出的方法

• 在整张血涂片图像上训练一个简单的卷积神经网络（CNN），以将样本分类为感染或未感染。
• 基于显著性或分割方法从图像中提取感兴趣区域（ROIs），以聚焦于可能含有寄生虫的区域。
• 从每个ROI中计算灰度共生矩阵（GLCM）特征，以捕捉与寄生虫感染相关的纹理模式。
• 使用轮廓系数和欧几里得距离度量对GLCM特征进行聚类，以分组相似的纹理模式并识别假阳性。
• 聚类过程采用人工调优的轮廓系数和欧几里得距离阈值，以在保持高敏感度的同时减少假阳性。
• 最终检测系统结合CNN预测结果与聚类后的GLCM特征，以优化分类并提高PPV。

实验结果

研究问题

• RQ1 简单的CNN模型是否能在薄血涂片中检测疟原虫寄生虫时实现高敏感度？
• RQ2 手工设计的GLCM纹理特征在多大程度上可以降低疟疾检测中的假阳性率？
• RQ3 GLCM特征聚类如何影响敏感度与阳性预测值（PPV）之间的平衡？
• RQ4 在不降低敏感度的前提下，轮廓系数与欧几里得距离阈值的最佳配置是什么？
• RQ5 CNN与聚类GLCM特征的结合是否能在诊断准确性和鲁棒性方面优于仅使用CNN？

主要发现

• 所提出的CNN模型实现了97%的敏感度，表明其在检测感染细胞方面具有强大能力。
• CNN模型单独的阳性预测值（PPV）为81%，表明其在分类感染病例时具有中等精度。
• 聚类GLCM特征的整合显著减少了假阳性数量，同时未损害敏感度。
• 假阳性减少方法需要人工调优轮廓系数与欧几里得距离阈值，以维持聚类质量。
• CNN与聚类GLCM特征的结合通过过滤掉模仿感染的非寄生虫结构，提高了诊断的可靠性。
• 该系统在敏感度与PPV之间展现出适合在低资源诊断环境中部署的实际权衡。