روشی نوین جهت تشخیص بیماری مالاریا با استفاده از پردازش تصویر

مقدمهبیماری مالاریا یک بیماری عفونی است که موجب مشکلات جدی در امر سلامت شده است و مهمترین بیماری انگلی بشری به شمار می رود. 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 روش هادر 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 می گردد. در این پژوهش از پایگاه داده بیماری مالاریا با 120 تصویر نرمال و 120 تصویر غیر نرمال و از نرم افزار matlab r2016b استفاده شده است. یافته هانتایج نشان میدهد که در مقایسه با مطالعات گذشته، تشخیص بهتر بوده و معیارهای دقت و حساسیت به 93.25 درصد و 100 درصد رسیده است.نتیجه گیریدر 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 نرم افزار matlab استفاده شد و به کارایی مطلوب 99.78 درصد بهبود یافته است.

A novel technique to diagnose malaria using image processing

IntroductionMalaria 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 MethodsIn this method, we started with preprocessing 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.ResultsIn comparison to the past, the process of diagnosis improved and we have reached the result of 99.78%.ConclusionIn the preprocessing 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.