Malaria parasite detection using advanced deep Learning techniques
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The parasite Plasmodium, which is carried by Anopheles mosquitoes, is what causes the fatal malaria sickness. It produces chills, headaches, exhaustion, and fever. Severe cases also result in mortality and organ failure. Malaria diagnosis is typically made using microscope results. It is necessary to create new instruments and algorithms for the diagnosis and treatment of malaria. A CNN-based technique for feature extraction from thin, raw blood smear images is proposed in this work. An SVM classifier is then used to categorize the collected features into one of the four species types: Falciparum, Vivax, Ovale, and Malariae. The suggested model demonstrates the efficacy of deep learning methods in the diagnosis of malaria and the classification of species with an exceptionally high accuracy. This involves the process of making forecasts by utilizing patterns found in extensive datasets. Particularly in places with limited resources, the deep learning approach, which is advised work, lowers the cost of diagnosis while also offering a more dependable diagnosis, smartphones are used to capture the little blood smear photos, making it rapid and simple to acquire datasets. Additionally, it may send blood smear images fast for an early diagnosis. In the proposed study, a convolutional layer made up of the images is applied using batch normalization and ReLu to define residual units. Ultimately, a completely linked layer comes before it to produce the intended output, which may be pictures free of malaria infection or pictures that show the infected ones, with that also plotting the accuracy and performance indicators of the model which includes graphs and confusionmatrices.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle