Malaria Parasitic Detection using a New Deep Boosted and Ensemble Learning Framework

要約

マラリアは、赤血球に感染するアノフェレス蚊の雌が注射する原虫で、毎年世界中で数百万人が死亡する可能性のある病気です。しかし、臨床現場における専門医の手作業によるスクリーニングは、手間がかかり、エラーが発生しやすい。そこで、新しいBoosted-BR-STM畳み込みニューラルネットワーク（CNN）とアンサンブル分類器を積み重ねた、マラリア寄生虫画像のスクリーニングのための新しいディープブースティングとアンサンブル学習（DBEL）フレームワークを開発した。提案するSTM-SB-BRNetは、新しい拡張畳み込みブロックベースの分割変換マージ（STM）と特徴マップのスクイージングブースティング（SB）のアイデアに基づいている。さらに、新しいSTMブロックは、地域演算と境界演算を用いて、マラリア原虫の同質性、異質性、パターンとの境界を学習する。さらに、抽象レベル、中間レベル、結論レベルのSTMブロックにTransfer Learningに基づく新特徴マップSBを採用し、寄生虫パターンの微細な強度と質感の変化を学習することで、多様なブーストチャネルを実現する。提案するDBELフレームワークは、顕著で多様なブーストチャネルを積み重ね、開発したBoosted-BR-STMの生成した識別特徴をML分類器のアンサンブルに提供することを意味する。提案するフレームワークは、アンサンブル学習の識別能力と汎化能力を向上させる。さらに、開発したBoosted-BR-STMとカスタマイズしたCNNの深い特徴空間をML分類器に与え、比較分析を行う。提案するDBELフレームワークは、離散ウェーブレット変換を用いて特徴空間を拡張したNIHマラリアデータセットにおいて、既存技術を凌駕する性能を示した。提案するDBELフレームワークは、精度(98.50%)、感度(0.9920)、Fスコア(0.9850)、AUC (0.997)を達成し、マラリア原虫スクリーニングに利用できることが示唆された。

要約(オリジナル)

Malaria is a potentially fatal plasmodium parasite injected by female anopheles mosquitoes that infect red blood cells and millions worldwide yearly. However, specialists’ manual screening in clinical practice is laborious and prone to error. Therefore, a novel Deep Boosted and Ensemble Learning (DBEL) framework, comprising the stacking of new Boosted-BR-STM convolutional neural networks (CNN) and ensemble classifiers, is developed to screen malaria parasite images. The proposed STM-SB-BRNet is based on a new dilated-convolutional block-based split transform merge (STM) and feature-map Squeezing-Boosting (SB) ideas. Moreover, the new STM block uses regional and boundary operations to learn the malaria parasite’s homogeneity, heterogeneity, and boundary with patterns. Furthermore, the diverse boosted channels are attained by employing Transfer Learning-based new feature-map SB in STM blocks at the abstract, medium, and conclusion levels to learn minute intensity and texture variation of the parasitic pattern. The proposed DBEL framework implicates the stacking of prominent and diverse boosted channels and provides the generated discriminative features of the developed Boosted-BR-STM to the ensemble of ML classifiers. The proposed framework improves the discrimination ability and generalization of ensemble learning. Moreover, the deep feature spaces of the developed Boosted-BR-STM and customized CNNs are fed into ML classifiers for comparative analysis. The proposed DBEL framework outperforms the existing techniques on the NIH malaria dataset that are enhanced using discrete wavelet transform to enrich feature space. The proposed DBEL framework achieved accuracy (98.50%), sensitivity (0.9920), F-score (0.9850), and AUC (0.997), which suggest it to be utilized for malaria parasite screening.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL