روشي نوين جهت تشخيص بيماري مالاريا با استفاده از پردازش تصوير

A novel technique to diagnose malaria using image processing

بيماري مالاريا يك بيماري عفوني است كه موجب مشكلات جدي در امر سلامت شده است و مهم‌ترين بيماري انگلي بشري به شمار مي­‌رود. براي كنترل و درمان بيماري مالاريا، به تشخيص صحيح و اقدام به‌ موقع نياز است. در اين پژوهش به ‌وسيله روش‌هاي پردازش تصوير و شبكه عصبي، روشي خودكار براي تشخيص اين بيماري ارائه شده است. مواد و روش‌­ها در اين روش ابتدا پيش‌پردازش انجام شده و توسط مدل كانتور فعال گلبول‌هاي قرمز از تصوير جدا شده و سپس با استفاده از تابع موجك، 840 ويژگي از تصوير استخراج نموده و با كمك ماشين بردار پشتيبان به دو گروه نرمال و غير نرمال طبقه‌بندي مي­‌گردد. در اين پژوهش از پايگاه داده بيماري مالاريا با 120 تصوير نرمال و 120 تصوير غير نرمال و از نرم­افزار MATLAB R2016B استفاده شده است. يافته‌­ها نتايج نشان مي‌دهد كه در مقايسه با مطالعات گذشته، تشخيص بهتر بوده و معيارهاي دقت و حساسيت به 93/25 درصد و 100 درصد رسيده است. نتيجه­‌گيري در مرحله پيش‌پردازش نويزهايي كه به سبب قطعه‌بندي گلبول‌هاي قرمز مشخص‌ شده، از زمينه جداسازي مي‌شوند و سپس به كمك موجك، ويژگي‌ها استخراج شده و با چند شبكه عصبي و ماشين بردار پشتيبان اين داده‌ها مورد آموزش، آزمون و ارزيابي قرار داده‌ مي شوند. در اين پژوهش از پايگاه داده بيماري مالاريا با 240 تصوير و نرم ­افزار Matlab استفاده شد و به كارايي مطلوب 99/78 درصد بهبود يافته است.

Malaria 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 Methods In this method, we started with pre-processing 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. Results In comparison to the past, the process of diagnosis improved and we have reached the result of 99.78%. Conclusion In the pre-processing 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.