روشی نوین جهت تشخیص بیماری مالاریا با استفاده از پردازش تصویر

نویسندگان
محمد رستمی 1
سعید آیت 2
الهه نشاط 3
1 عضو باشگاه پژوهشگران جوان و نخبگان، واحد دهاقان، دانشگاه آزاد اسلامی، دهاقان، اصفهان، ایران
2 گروه علمی مهندسی کامپیوتر و فناوری اطلاعات دانشگاه پیام نور، اصفهان، ایران
3 گروه مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه آزاد اسلامی واحد تهران شمال، تهران، ایران
چکیده
مقدمه

بیماری مالاریا یک بیماری عفونی است که موجب مشکلات جدی در امر سلامت شده است و مهم‌ترین بیماری انگلی بشری به شمار می­‌رود. برای کنترل و درمان بیماری مالاریا، به تشخیص صحیح و اقدام به‌ موقع نیاز است. در این پژوهش به ‌وسیله روش‌های پردازش تصویر و شبکه عصبی، روشی خودکار برای تشخیص این بیماری ارائه شده است.

مواد و روش‌­ها

در این روش ابتدا پیش‌پردازش انجام شده و توسط مدل کانتور فعال گلبول‌های قرمز از تصویر جدا شده و سپس با استفاده از تابع موجک، 840 ویژگی از تصویر استخراج نموده و با کمک ماشین بردار پشتیبان به دو گروه نرمال و غیر نرمال طبقه‌بندی می­‌گردد. در این پژوهش از پایگاه داده بیماری مالاریا با 120 تصویر نرمال و 120 تصویر غیر نرمال و از نرم­افزار MATLAB R2016B استفاده شده است.

یافته‌­ها

نتایج نشان می‌دهد که در مقایسه با مطالعات گذشته، تشخیص بهتر بوده و معیارهای دقت و حساسیت به 25/93 درصد و 100 درصد رسیده است.

نتیجه­‌گیری

در مرحله پیش‌پردازش نویزهایی که به سبب قطعه‌بندی گلبول‌های قرمز مشخص‌ شده، از زمینه جداسازی می‌شوند و سپس به کمک موجک، ویژگی‌ها استخراج شده و با چند شبکه عصبی و ماشین بردار پشتیبان این داده‌ها مورد آموزش، آزمون و ارزیابی قرار داده‌ می شوند. در این پژوهش از پایگاه داده بیماری مالاریا با 240 تصویر و نرم­افزار Matlab استفاده شد و به کارایی مطلوب 78/99 درصد بهبود یافته است.
کلیدواژه‌ها
مدل کانتور فعال
طبقه‌بندی
استخراج ویژگی
بیماری مالاریا
ماشین بردار پشتیبان
موجک

عنوان مقاله English

A novel technique to diagnose malaria using image processing

نویسندگان English

mohammad rostami 1
elahe neshat 3
1 Member of Young Researchers and elite Club, Dehaghan Branch, Islamic Azad University, Dehaghan, Isfahan, Iran
2 Computer Engineering and IT Department, Payame Noor University, Iran
3 Department of Computer Engineering and IT, Tehran branch Islamic Azad University, north-branch, Iran
چکیده English

Introduction

Malaria is an infectious disease which has caused serious problems in regard to human health. In order to control and cure Malaria, we need the correct diagnosis and required treatments. In the present report, we present a new automatic method for diagnosing Malaria and its parasite by using an image processing technique and nervous system.

Materials and Methods

In this method, we started with pre-processing to separate the red globules from the image with the help of an active contour model. Then by using wavelet function, we separated 840 features from the image. Afterward, with the advantage of vector supporting machine, we categorized the globules into normal and abnormal.

Results

In comparison to the past, the process of diagnosis improved and we have reached the result of 99.78%.

Conclusion

In the pre-processing level, the noiser which has been recognized for categorization of red globules separated from the choice and then by using wavelet, we extract the features. We have tested and analyzed the data by using some nervous system and vector supporting machine.

کلیدواژه‌ها English

active contour model
categorization
extracting features
malaria
vector supporting machine
wavelet
1. Lauren MC, Miriam KL. Malaria in Children. Pediatr Clin of N Am 2017;64)4(:851-66.
2. Baird JK. Asia-Pacific malaria is singular, pervasive, diverse and invisible. Int J Parasitol 2017;47(7):371-7.
3. Ruberto CD, Dempster A, Khan SH, Jarra B. Analysis of infected blood cell images using morphological operators. Image Vis Comput 2002;20(2):133-46.
4. Ross NE1, Pritchard CJ, Rubin DM, Dusé AG. Automated image processing method for the diagnosis and classification of malaria on thin blood smears. Med Biol Eng Comput 2006;44(5):427-36.
5. Duodu Q, Panford JK, Hafron-Acquah JB. Designing algorithm for malaria diagnosis using Fuzzy Logic for treatment (AMDFLT) in Ghana. IJCA 2014;91(17):22-7.
6. SONI J. Advanced image analysis based system for automatic detection of malarial parasite in blood images using SUSAN approach. J Soni. International Journal of Engineering Science and Technology. IJEST 2011;3(6):21.
7. Özbakır L, Baykasoğlu A, Kulluk S. A soft computing-based approach for integrated training and rule extraction from artificial neural networks. Applied Soft Comput 2010;10(1):304-17.
8. Pattanasin S, Proux S, Chompasuk D, Luwiradaj K, Jacquier P, Looareesuwan S, Nosten F. Evaluation of a new Plasmodium lactate dehydrogenase assay (OptiMAL-IT) for the detection of malaria. Trans R Soc Trop Med Hyg 2003;97(6):672-4.
9. Baha SS, Prasad KS. Automatic detection of hard exudates in diabetic retinopathy using morphological segmentation and Fuzzy Logic. IJCSNS 2008;89(12):211-8.
10. Chavan SN, Sutkar AM. Malaria disease identification and analysis using image processing. IJLTET 2014;3(3):218-23.
11. Gonzalez R C, Woods R E. Digital Image Processing. 1st ed. New York: Addison-Wesley; 2007, 65-103.
12. Sio SW, Sun W, Kumar S, Bin WZ, Tan SS, Ong SH, et al. Malaria Count: An image analysis-based program for the accurate determination of parasitemia. J Microbiol Methods 2006;16-31.
13. Tek F.B, DempsterAG, Kale I. Parasite detection and identification for automated thin blood film malaria diagnosis. Comput Vis Image Underst 2010;114(1):21-32.
14. Ruberto CD, Dempster A, Khan SH, Jarra B. Morphological image processing for evaluating malaria disease. In: Arcelli C, Cordella LP, di Baja GS, editors. Visual Form 2001. IWVF 2001. Lecture notes in computer science, vol 2059. Springer, Berlin: Heidelberg IWVF 2001.
15. Díaz G1, González FA, Romero E. A semi
16. -automatic method for quantification and classification of erythrocytes infected with malaria parasites in microscopic images. J Biomed Inform 2009;42(2):296-307.
17. Pallavi TS. Detection of Malarial Parasite in Blood Using Image Processing. IJEIT 2013;2(10):124-6.
18. Kumarasamy SK, Ong SH, Tan KSW. Robust contour reconstruction of red blood cells and parasites in the automated identification of the stages of malarial infection. Machine Vision and Applications 2011;22:461.
19. Hamedi SM, Hamedi SM, Amerian M, Yaghubi M. [Malaria diagnosis of blood cleansing and extraction using artificial neural network feed forward neural network fuzzy rules]. Proceeding of the first congress application of information technology in health. 2011, Mazandaran University of Medical Sciences, Sari. [Persian]
20. Purwar Y. Automated and unsupervised detection of malarial parasites in microscopic in image Malaria. Malar J 2011;10:364.