چارچوبي براي استخراج آناتومي و طبقه بندي تصاوير پشه با رويكرد يادگيري عميق

پشه ها عامل اصلي انتشار بيماري‌هاي خطرناك مانند مالاريا، تب زرد، تب دانگ و زيكا هستند. موثرترين روش كنترل اين دسته از بيماري‌ها، شناسايي صحيح انواع گونه هاي پشه است. در روش شناسايي پشه‌ها به شيوه سنتي، تعيين هويت بر اساس تشخيص‌هاي مرفولوژيكي توسط انسان‌هاي متخصص با مهارت‌هاي خاص صورت مي گيرد. مهمترين چالش طبقه‌بندي كاهش تعداد افراد خبره و تنوع زياد گونه‌هاي مختلف پشه است. به منظور غلبه بر اين چالش، توسعه يك روش خودكار بر اساس معماري‌هاي يادگيري عميق براي شناسايي و طبقه‌بندي پشه‌ها منبع ارزشمندي براي افراد غير‌متخصص خواهد بود. هدف از اين پژوهش، ارائه مدلي از نوع شبكه كانولوشن به منظور قطعه‌بندي و طبقه‌بندي تصاوير پشه با ادغام معماري ResNet101 و تكنيك Mask_RCNN مي‌باشد. 2354 تصوير پشه از سه گونه آنوفل، آئدس و كولكس با يكديگر مقايسه مي‌شوند. در مدل پيشنهادي به جاي ورودي شبكه به صورت تصوير كامل پشه ابتدا تصاوير قطعه‌بندي شده و سپس قسمت‌هاي مختلف شكم، پا، بال و سر به عنوان ورودي به شبكه داده مي‌شود. ماسك باينري متناظر از اجزاي تشريح شده بدن پشه توسط شبكه كانولوشن جهت استخراج ويژگي براي هر قسمت مجزا توليد مي‌شود و سپس مقدار زيان بين مقادير طبقه‌بندي شده و برچسب تصاوير محاسبه مي‌شود. نتايج ارزيابي نشان داد استخراج تصاوير آناتومي پشه بر طبقه‌بندي سريع‌تر تصاوير تاثير مي‌گذارد و شبكه با دقت 97.84 درصد نسبت به حالت معمولي بهتر عمل كرده است.