Malaria parasite detection with deep transfer learning
Yükleniyor...
Dosyalar
Tarih
2018-12-06
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
IEEE
Erişim Hakkı
info:eu-repo/semantics/closedAccess
Özet
This study aims to automatically detect malaria parasites (Plasmodium sp) on images taken from Giemsa stained blood smears. Deep learning methods provide limited performance when sample size is low. In transfer learning, visual features are learned from large general data sets, and problem-specific classification problem can be solved successfully in restricted problem specific data sets. In this study, we apply transfer learning method to detect and classify malaria parasites. We use a popular pre-trained CNN model VGG19. We trained the model for 20 epoch on 1428 P Vivax, 1425 P Ovule, 1446 E Falciparum, 1450 P Malariae and 1440 non-parasite samples. The transfer learning model achieves %80, %83, %86, %75 precision and 83%, 86%, 86%, 79% f-measure on 19 test images.
Bu çalışmada Giemsa ile boyanmış kan yaymalarından alınan örnekler üzerinden sıtma parazitlerinin (Plas modium sp) otomatik tespiti ve sınıflandırılması amaçlanmıştır. Kısıtlı veri kümelerinde derin yapay sinir ağlarının başarısı sınırlı olmaktadır. Transfer öğrenmede ise görsel öznitelikler büyük veri kümelerinde öğrenilmekte, probleme özgü sınıflandırma problemi ise kısıtlı veri kümelerinde başarılı ile çözülebilmektedir. Bu çalışmada önceden eğitilmiş derin Evrişimsel Sinir Ağlardan (ESA) olan VGG modeli transfer öğrenme ile sıtma paraziti tespit ve sınıflandırma problemine uyarlanmış ve başarısı sınanmıştır.Model 1428 adet P. Vivax, 1425 adet P. Ovale, 1446 adet P. Falciparum, 1450 adet P. Malariae ve 1440 adet parazit olmayan örnek üzerinde 20 epok eğitilmiştir. 19 adet test örneği üzerinde denediğimiz modelin sonuçlarında sıtma tespit özgüllüğü her bir sınıf için sırasıyla %80, %83, %86, %75 ve f-ölçütleri sırasıyla %83, %86, %84, %79 dir.
Bu çalışmada Giemsa ile boyanmış kan yaymalarından alınan örnekler üzerinden sıtma parazitlerinin (Plas modium sp) otomatik tespiti ve sınıflandırılması amaçlanmıştır. Kısıtlı veri kümelerinde derin yapay sinir ağlarının başarısı sınırlı olmaktadır. Transfer öğrenmede ise görsel öznitelikler büyük veri kümelerinde öğrenilmekte, probleme özgü sınıflandırma problemi ise kısıtlı veri kümelerinde başarılı ile çözülebilmektedir. Bu çalışmada önceden eğitilmiş derin Evrişimsel Sinir Ağlardan (ESA) olan VGG modeli transfer öğrenme ile sıtma paraziti tespit ve sınıflandırma problemine uyarlanmış ve başarısı sınanmıştır.Model 1428 adet P. Vivax, 1425 adet P. Ovale, 1446 adet P. Falciparum, 1450 adet P. Malariae ve 1440 adet parazit olmayan örnek üzerinde 20 epok eğitilmiştir. 19 adet test örneği üzerinde denediğimiz modelin sonuçlarında sıtma tespit özgüllüğü her bir sınıf için sırasıyla %80, %83, %86, %75 ve f-ölçütleri sırasıyla %83, %86, %84, %79 dir.
Açıklama
Anahtar Kelimeler
Convolutional neural network, Deep learning, Malaria, Computer-aided diagnosis, Classification, Derin öğrenme, Sıtma, Bilgisayar destekli tanı
Kaynak
2018 3rd International Conference on Computer Science and Engineering (UBMK)
WoS Q Değeri
N/A
Scopus Q Değeri
N/A
Cilt
Sayı
Künye
Var, E. & Tek, F. B. (2018). Malaria parasite detection with deep transfer learning. Paper presented at the 2018 3rd International Conference on Computer Science and Engineering (UBMK), 298-302. doi:10.1109/UBMK.2018.8566549
