Optimal Machine Learning Based Automated Malaria Parasite Detection and Classification Model Using Blood Smear Images
Notice bibliographique
Résumé
Malaria is a deadly disease which can be spread by the Plasmodium parasites.The existence of malaria can be identified by professional microscopists who examine the microscopic blood smear images.But it remains a challenge owing to the unavailability of experts, poor resolution images, and insufficient diagnostic quality.Therefore, image processing and machine learning (ML) models can be employed to detection of malaria parasites using blood smear images.With this motivation, this study introduces an optimal machine learning based automated malaria parasite detection and classification (OML-AMPDC) model using blood smear images.The proposed OML-AMPDC technique primarily undergoes preprocessing in two stages namely adaptive filtering (AF) based noise removal and contrast enhancement using CLAHE technique.Besides, the feature extraction process was implemented using Local Derivative Radial Patterns (LDRP).In addition, random forest (RF) classifier is applied to allot proper class labels to the blood smear images.Finally, particle swarm optimization (PSO) algorithm was utilized for optimally choose two parameters of the RF model, named maximum number of levels in every decision tree (max_depth) and number of trees in the forest (n_estimators).The design of PSO algorithm helps for enhancing the classification performance of the RF method.A wide-ranging experimental analysis is performed using benchmark dataset and the results reported the betterment of the OML-AMPDC technique over the recent approaches.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».