|
|
، جلد ۱۴، شماره ۱، صفحات ۶۶-۷۴
|
|
|
| عنوان فارسی |
تشخیص رایانهای انگل مالاریا با استفاده از روش‌های شناسایی الگو |
|
| چکیده فارسی مقاله |
زمینه و هدف: در اکثر موارد فرآیند تشخیص بصری بیماریها وقتگیر و دشوار بوده و نتیجه آن خیلی وابسته به تجربه و تخصص میکروسکوپیستها دارد؛ لذا تشخیص رایانهای بیماریها در کاهش زمان تشخیص و نیروی انسانی و نیز خطاهای موجود میتواند کمک شایانی باشد. در این تحقیق، عملکرد چهار طبقهبندی کننده در شناسایی رایانهای انگل مالاریا بررسی میشود. روش بررسی: در این تحقیق 400 تصویر لام خونی آلوده به انگل مالاریا مورد استفاده قرار گرفت. ابتدا با ایجاد نقاب گلبول قرمز و تطبیق آن بر عناصر رنگی استخراج شده، فقط گلبولهای قرمز جهت بررسیهای بعدی مورد استفاده قرار گرفتند. سپس ویژگیهای هیستوگرام رنگ، گرانولومتری، بافت، هیستوگرام کانال اشباع و گرادیان استخراج شدند. برای تفکیک تصاویر انگلی از تصاویر غیرانگلی از چهار طبقهبندی کننده K نزدیکترین همسایه (KNN)، نزدیکترین میانگین(NM) ، یک نزدیکترین همسایه(1NN)، و تفکیککننده خطی فیشر(Fisher) استفاده شد. یافتهها: بالاترین عملکرد را طبقهبندی کننده KNNبا دقت %5/92 داراست و بعد از آن طبقهبندی کنندههای 1-NN،Fisher و NM به ترتیب دارای دقت %25/90، %85 و %25/60 بودند. نتیجهگیری: باتوجه به عملکرد خوب روش پیشنهاد شده، این روش میتواند در طراحی نرمافزار شناسایی رایانهای انگل مالاریا به محققین، مدیران و برنامهریزان کلان برای کنترل و تشخیص بیماری مالاریا کمک شایانی بنماید. |
|
| کلیدواژه‌های فارسی مقاله |
تشخیص رایانهای، مالاریا، طبقه‌بندی‌کنندۀ K نزدیکترین همسایگی، طبقه‌بندی‌کنندۀ نزدیکترین میانگین، تفکیک‌کنندۀ خطی فیشر، |
|
| عنوان انگلیسی |
Computer-Aided Diagnosis of Malaria Parsite using Patern Recognition Methods |
|
| چکیده انگلیسی مقاله |
Background and Objectives: In many cases of paraitic identification by visual inspection is difficult, time consuming and depends heavily on the experience of microscopists. Computer-aided diagnosis can make a significant help in saving the time, reducing workforces and the possible operator errors. The aim of this study was to assess the performance of four classifiers for detection of malaria parasite was investigated. Subjects and Methods:A total of 400 images of malaria parasite-infected blood slides were used.Intially by masking the red blood cells, in order to match the stained extracted elements, only red blood cells were used for next stage of the study. Then, the color histogram, granulometry, texture, saturation level histogram, gradient and flat texture features were extracted. For discriminating parasitic images from non-parasitic images four classifiers have been used: K-Nearest Neighbors (KNN), Nearest Mean (NM), 1-Nearest Neighbors (1NN), and Fisher linear discriminator (Fisher). Results: The best classification accuracy of 92.5%, which was achieved by KNN classifier. The accuracies of 1-NN, Fisher and NM classifiers were 90.25%, 85%, and 60.25%, respectively. Conclusion:Considering the performance of the proposed method, it can be used in the development of software for detecting malaria parasite. Thus, it can offer a significant help to researchers, managers and major planners to control malaria. |
|
| کلیدواژه‌های انگلیسی مقاله |
تشخیص رایانهای, مالاریا, طبقه‌بندی‌کنندۀ K نزدیکترین همسایگی, طبقه‌بندی‌کنندۀ نزدیکترین میانگین, تفکیک‌کنندۀ خطی فیشر |
|
| نویسندگان مقاله |
لیلا ملیحی |
گروه مهندسی برق، دانشکدۀ مهندسی، دانشگاه شهید چمران اهواز، اهواز، ایران.
کریم انصاری اصل |
گروه مهندسی برق، دانشکدۀ مهندسی، دانشگاه شهید چمران اهواز، اهواز، ایران.
عبدالامیر بهبهانی |
گروه حشره‌شناسی پزشکی، دانشکدۀ بهداشت، دانشگاه علوم پزشکی جندی‌شاپور اهواز، اهواز، ایران.
|
|
| نشانی اینترنتی |
https://jsmj.ajums.ac.ir/article_46919_4ba2020110a6573223d55c9228ed75ef.pdf |
| فایل مقاله |
فایلی برای مقاله ذخیره نشده است |
| کد مقاله (doi) |
|
| زبان مقاله منتشر شده |
fa |
| موضوعات مقاله منتشر شده |
|
| نوع مقاله منتشر شده |
|
|
|
|
برگشت به:
صفحه اول پایگاه |
نسخه مرتبط |
نشریه مرتبط |
فهرست نشریات
|