طبقه‌بندي خودكار انواع انگل روده‌اي انسان مبتني بر شبكه عصبي كانولوشني و الگوريتم شبيه‌سازي تبريد

Automatic Classification of Human Intestinal Parasite Types Based on Convolutional Neural Network and Simulated Annealing Algorithm

انگل، جانداري است كه در داخل يا روي بدن جاندار ديگري زندگي مي‌كند. اين احتمال وجود دارد كه انگل‌هاي روده‌اي، باعث بيماري و يا حتي باعث مرگ، در انسان‌ها شوند. تشخيص دستي انگل‌هاي روده‌اي موجود در تصاوير ميكروسكوپي مدفوع، كاري سخت و زمان‌بر مي‌باشد و همچنين براي اين كار به پرسنل متخصص نياز است. در اين مقاله، يك روش اتوماتيك پيشنهاد شده است كه مي‌تواند براي تشخيص و طبقه‌بندي انواع مختلف انگل روده‌اي انسان در تصاوير ديجيتالي ميكروسكوپ، مورد استفاده قرار گيرد. اين روش، شامل مراحلي‌ست از قبيل كاهش نويز، افزايش كنتراست، تقطيع تصوير، استخراج ويژگي، انتخاب ويژگي و طبقه‌بندي. در اين روش، از يك شبكه عصبي كانولوشني براي استخراج ويژگي، از الگوريتم شبيه‌سازي تبريد براي انتخاب ويژگي و از يك پرسپترون چند لايه براي طبقه‌بندي، استفاده شده است. نتايج به دست آمده، عملكرد رضايت‌بخش روش را نشان مي‌دهد به طوري كه صحت كل طبقه‌بندي به بيش از 96 % رسيده است. به طور كلي، اين نتايج، حاكي از آن است كه اين تحقيقات اوليه، يك پيشرفت اميدوار كننده، براي تشخيص تمام‌اتوماتيك انگل‌هاي روده‌اي، مي‌باشد.

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.