طبقه‌بندی خودکار انواع انگل روده‌ای انسان مبتنی بر شبکه عصبی کانولوشنی و الگوریتم شبیه‌سازی تبرید

انگل، جانداری است که در داخل یا روی بدن جاندار دیگری زندگی می‌کند. این احتمال وجود دارد که انگل‌های روده‌ای، باعث بیماری و یا حتی باعث مرگ، در انسان‌ها شوند. تشخیص دستی انگل‌های روده‌ای موجود در تصاویر میکروسکوپی مدفوع، کاری سخت و زمان‌بر می‌باشد و همچنین برای این کار به پرسنل متخصص نیاز است. در این مقاله، یک روش اتوماتیک پیشنهاد شده است که می‌تواند برای تشخیص و طبقه‌بندی انواع مختلف انگل روده‌ای انسان در تصاویر دیجیتالی میکروسکوپ، مورد استفاده قرار گیرد. این روش، شامل مراحلی‌ست از قبیل کاهش نویز، افزایش کنتراست، تقطیع تصویر، استخراج ویژگی، انتخاب ویژگی و طبقه‌بندی. در این روش، از یک شبکه عصبی کانولوشنی برای استخراج ویژگی، از الگوریتم شبیه‌سازی تبرید برای انتخاب ویژگی و از یک پرسپترون چند لایه برای طبقه‌بندی، استفاده شده است. نتایج به دست آمده، عملکرد رضایت‌بخش روش را نشان می‌دهد به طوری که صحت کل طبقه‌بندی به بیش از 96 % رسیده است. به طور کلی، این نتایج، حاکی از آن است که این تحقیقات اولیه، یک پیشرفت امیدوار کننده، برای تشخیص تمام‌اتوماتیک انگل‌های روده‌ای، می‌باشد.

automatic classification of human intestinal parasite types based on convolutional neural network and simulated annealing algorithm

parasite is an organism that lives on or in other organisms. intestinal parasites may cause disease or even death to humans. the manual diagnosis of intestinal parasites in microscopic stools images is difficult, time-consuming and requires expert personnel. in this article, we propose an automatic method that can be used to diagnose and classify different types of human intestinal parasite from their microscopic digital images. this method involves stages such as noise reduction, contrast enhancement, segmentation, feature extraction, feature selection and classification. we employ a convolutional neural network to feature extraction, a simulated annealing algorithm to feature selection and a multilayer perceptron to classification. the results demonstrate satisfactory performance so that the overall accuracy was up to 96 %. generally, these results indicate that this initial research is a promising approach toward the fully automation of the intestinal parasites diagnosis.