Methodenartikel

Superieure automatische identificatie van trypanosoomparasieten door gebruik te maken van een hybride deep-learning-model

DOI:

10.3791/65557

⸱

27 oktober 2023

 ,  ,  ,  ,  ,  ,  ,  , 
1Faculty of Medicine, King Mongkut’s Institute of Technology Ladkrabang, 2Veterinary Parasitology Research Unit, Faculty of Veterinary Science, Chulalongkorn University, 3College of Advanced Manufacturing Innovation, King Mongkut’s Institute of Technology Ladkrabang, 4Faculty of Science and Technology, Suan Dusit University, 5Department of Electrical Engineering, School of Engineering, King Mongkut’s Institute of Technology Ladkrabang

In dit artikel

Samenvatting

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Wereldwijd werden medische bloedparasieten automatisch gescreend met behulp van eenvoudige stappen op een low-code AI-platform. De prospectieve diagnose van bloedfilms werd verbeterd door gebruik te maken van een objectdetectie- en classificatiemethode in een hybride deep learning-model. De samenwerking van actieve monitoring en goed getrainde modellen helpt bij het identificeren van hotspots van trypanosoomtransmissie.

Samenvatting

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Trypanosomiasis is een belangrijk probleem voor de volksgezondheid in verschillende regio's over de hele wereld, waaronder Zuid-Azië en Zuidoost-Azië. De identificatie van hotspotgebieden onder actief toezicht is een fundamentele procedure om de overdracht van ziekten te beheersen. Microscopisch onderzoek is een veelgebruikte diagnostische methode. Het is echter in de eerste plaats afhankelijk van bekwaam en ervaren personeel. Om dit probleem aan te pakken, werd een programma voor kunstmatige intelligentie (AI) geïntroduceerd dat gebruik maakt van een hybride deep learning-techniek van neurale netwerkbackbones voor objectidentificatie en objectclassificatie op het interne low-code AI-platform (CiRA CORE). Het programma kan de protozoaire trypanosoomsoorten, namelijk Trypanosoma cruzi, T. brucei en T. evansi, identificeren en classificeren op basis van microscopische beelden met olie-onderdompeling. Het AI-programma maakt gebruik van patroonherkenning om meerdere protozoa binnen een enkel bloedmonster te observeren en te analyseren en markeert de kern en kinetoplast van elke parasiet als specifieke karakteristieke kenmerken met behulp van een aandachtskaart.

Om de prestaties van het AI-programma te beoordelen, worden twee unieke modules gemaakt die een verscheidenheid aan statistische metingen bieden, zoals nauwkeurigheid, herinnering, specificiteit, precisie, F1-score, misclassificatiepercentage, ROC-curven (Receiver Operating Characteristics) en Precision versus Recall (PR)-curves. De bevindingen van de beoordeling tonen aan dat het AI-algoritme effectief is in het identificeren en categoriseren van parasieten. Door een snelle, geautomatiseerde en nauwkeurige screeningtool te leveren, heeft deze technologie het potentieel om ziektebewaking en -bestrijding te transformeren. Het zou lokale functionarissen ook kunnen helpen bij het nemen van beter geïnformeerde beslissingen over strategieën voor het blokkeren van ziekteoverdracht.

Inleiding

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Trypanosomiasis is een belangrijke uitdaging voor wereldwijde gezondheidsproblemen als gevolg van een verscheidenheid aan zoönotische soorten die ziekten bij de mens veroorzaken met een breed scala aan geografische verspreiding buiten de Afrikaanse en Amerikaanse continenten, zoals Zuid- en Zuidoost-Azië 1,2,3. Menselijke Afrikaanse trypanosomiasis (HAT) of slaapziekte, wordt veroorzaakt door Trypanosoma brucei gambiense en T. b. rhodesiense die respectievelijk de chronische en acute vormen produceren die de belangrijkste verspreiding in Afrika vertegenwoordigen. De veroorzakende parasiet behoort tot de Speekselgroep vanwege de overdracht door geïnfecteerd speeksel van tseetseevliegen4. Overwegende dat de bekende Amerikaanse trypanosomiasis (ziekte van Chagas) veroorzaakt door T. cruzi een probleem voor de volksgezondheid is voor niet-endemische landen; waaronder Canada, de VS, Europa, Australië en Japan, vanwege de frequente migratie van individuen uit endemische gebieden5. De trypanosoominfectie behoort tot de Stercoraria-groep omdat deze wordt overgedragen door de geïnfecteerde uitwerpselen van reduviid-bugs. De trypanosomiasen en trypanosomosen (Surra-ziekte) veroorzaakt door de T. evansi-infectie zijn endemisch in Afrika, Zuid-Amerika, West- en Oost-Azië en Zuid- en Zuidoost-Aziatische landen 3,6. Hoewel menselijke trypanosomiasis veroorzaakt door het trypanosoom is gerapporteerd 3,4,7,8,9,10,11,12, wordt de route van overdracht van de parasitaire infectie besproken: ofwel het mechanische of geïnfecteerde bloed via hematofaag insecten zoals tseetseevliegen en tabaniden of dazen 6,7, 8,9,10,12,13,14. Er is geen casusrapport gevonden in Thailand, maar een hoge prevalentie van de T. evansi-infectie bij hond15, racepaarden en waterbuffels in de oostelijke regio is gepubliceerd16, wat suggereert dat er een verworven overdracht tussen huisdieren zou hebben plaatsgevonden. Er werden verschillende atypische menselijke infecties gerapporteerd die werden veroorzaakt door dierlijke trypanosomen (T. vivax, T. b. brucei, T. congolense, T. lewisi en T. evansi), die niet de klassieke vormen van menselijke trypanosomen zijn. Het bewustzijn over atypische menselijke infecties kan worden onderschat, wat de noodzaak benadrukt van verbeterde diagnostische tests en veldonderzoeken voor het opsporen en bevestigen van deze atypische gevallen, en het mogelijk maken van een goede controle en behandeling van pathogene ziekten bij dieren die de wereldwijde veestapel, voedselzekerheid aantasten18 en menselijke gezondheidszorg. Dit heeft geleid tot de ontwikkeling van een mogelijke strategie die is geïntegreerd met een bestaande gemeenschappelijke methode (microscopisch onderzoek) om bloedmonsters in afgelegen gebieden snel te screenen tijdens actieve bewaking, waardoor de hotspotzones voor het beperken en beheersen van de ziekte kunnen worden geïdentificeerd.

Het hebben van een sporadische incidentie van de Surra-ziekte bij een breed scala aan huisdieren zoals dromedarissen, runderen, paardachtigen en honden die een euryxenous T. evansi oproepen, kan zoönotisch zijn voor mensen 1,4,13,14. Menselijke infectie lijkt onmogelijk omdat een trypanolytische factor in menselijk serum, tot expressie gebracht door een sra-achtig gen, in staat is om menselijke T. brucei en T. congolensete voorkomen 12,19. Bovendien, zoals het eerste casusrapport uit India aantoont, heeft de ziekte geen verband met immuungecompromitteerde hiv-patiënten4. Zoals hierboven beschreven, kan de mogelijke infectie bij de mens verband houden met een lipoproteïnedeficiëntie met hoge dichtheid met een abnormale functie van de trypanosoomlytische factor, een zeldzame autosomaal recessieve genetische aandoening, namelijkde ziekte van Tanger4. In 2016 werd ontdekt dat een Vietnamese patiënt twee wildtype APOL1-allelen bezat en een serum APOL1-concentratie binnen het normale bereik. De theorie van APOL-1-deficiëntie wordt echter niet langer als geldig beschouwd12. Daarom is een mogelijk mechanisme van trypanosoominfectie direct contact van een wond met besmet dierlijk bloed tijdens de beroepsveehouderij 4,12. Microscopisch onderzoek toont aan dat de morfologie van T. evansi een monomorfe vorm van de trypomastigote is, inclusief een overheersend lang slank, geflagelleerd en delend trypanosoom dat vergelijkbaar is met hun verwante soort T. brucei 1,12,13. De kern bevindt zich in de centrale positie met een zichtbare kleine kinetoplast in de achterste positie. Een eerdere studie gaf aan dat de parasiet in twee vergelijkbare vormen kan voorkomen, bekend als de klassieke en afgeknotte vormen. Het blijft echter noodzakelijk om hun respectieve pathogene effecten op gastheren te bevestigen20. Het verloop van de symptomen varieert, variërend van intermitterende koorts geassocieerd met koude rillingen en zweten. Suramine is gelukkig een succesvolle eerstelijnstherapie voor humane Afrikaanse trypanosomiasis in een vroeg stadium zonder invasie van het centrale zenuwstelsel (CZS), waarbij patiënten in India en Vietnam worden genezen 4,12,21.

Behalve onderzoek van klinische symptomen bestaan er verschillende diagnostische methoden voor T. evansi-parasieten, waaronder parasitologische microscopische observatie 4,9,12, serologische 4,8,9,10,12 en moleculair biologische tests 4,12. Dunne bloedfilms die met Giemsa zijn gekleurd, worden vaak gebruikt om de aanwezige parasiet te visualiseren onder microscopisch onderzoek, wat routinematig en algemeen wordt gebruikt22. De procedure lijkt echter haalbaar; Desalniettemin is het tijdrovend en arbeidsintensief, heeft het variabiliteit in de beoordeling van interbeoordelaars, is het alleen gevoelig voor een acute fase en vereist het een persoonlijke stagiair23. Zowel moleculaire biologie als serologische tests hadden ook hoogopgeleid personeel nodig om meerdere processen van monstervoorbereiding uit te voeren, waaronder het extraheren en zuiveren van de monsters voordat ze werden getest met dure apparatuur, die moeilijk te standaardiseren is, het risico op besmetting met extra-parasitaire materialen en discrepanties in de resultaten24. Op basis van de hierboven beschreven grondgedachte is snelle en vroege screeningtechnologie nodig om het veldsurveillanceonderzoek te ondersteunen en ervoor te zorgen dat het onderzoeksresultaat tijdig wordt gerapporteerd om de hotspotzone te identificeren voor verdere controle van de ziekteoverdracht 1,8. Computergestuurde apparaten (CAD) zijn voorgesteld als een innovatieve technologie voor medische gebieden, met inbegrip van histopathologische en cytopathologische taken25. De hierboven genoemde CAD werd met hoge snelheid uitgevoerd en berekend met behulp van patroonherkenning, namelijk kunstmatige intelligentie (AI). De AI-methode wordt bereikt met behulp van convolutionele neurale netwerkalgoritmen die kunnen worden gebruikt om met een groot aantal datasetmonsters om te gaan, met name een gesuperviseerde leerbenadering die een goed getraind model traint op gegevensconsumptie.

Over het algemeen is AI het vermogen van computers om taken op te lossen die deskundige intelligentie vereisen, zoals het labelen van gegevens. Machine learning (ML), een deelgebied van AI, wordt weergegeven als een computersysteem met twee verschillende processen die bestaan uit functie-extractie en patroonherkenning. Deep learning (DL), of geavanceerde ML-algoritmen, verwijst naar de ontwikkeling van geautomatiseerde programma's en apparaten die mensachtige prestaties vergelijken met nauwkeurigheidsniveaus die groter en gelijk zijn aan die van menselijke professionals26. Momenteel is de rol van DL op medisch en veterinair gebied veelbelovend aan het uitbreiden en revolutioneren van de preventie van overdraagbare ziekten met als doel recente preventie en het begeleiden ervan naar individueel gezondheidspersoneel22,27. De potentiële DL-toepassing is grenzeloos met kwaliteitslabels en een groot aantal uitgebreide datasets, waardoor specialisten de projecttaak kunnen beheren. In het bijzonder verbeterde een vooruitgang in het digitale beeld, samen met computerondersteunde analyse, de automatische diagnose en screening in vijf gerapporteerde categorieën pathologie; met inbegrip van statische, dynamische, robotische, beeldvorming van het hele objectglaasje en hybride methoden28. Er moet rekening mee worden gehouden dat de integratie van DL-algoritmebenaderingen en digitale beeldgegevens lokale medewerkers zou kunnen aanmoedigen om de technologie in hun dagelijkse praktijk te gebruiken.

Eerder was de toename van de voorspellingsnauwkeurigheid van het gebruik van een hybride model bewezen27. Om de trypanosoomparasiet in microscopische beelden te identificeren, presenteert dit onderzoek twee hybride modellen, waarin de algoritmen YOLOv4-tiny (objectdetectie) en Densenet201 (objectclassificatie) zijn verwerkt. Van de verschillende detectiemodellen vertoonde YOLOv4-tiny met een CSPDarknet53-backbone hoge prestaties als voorspellingsresultaat in termen van lokalisatie en classificatie29. Aangezien de real-time detector de optimale balans tussen de resolutie van het ingangsnetwerk, de hoeveelheid van de convolutionele laag, de totale parameter en het aantal laaguitgangen heeft gewijzigd, is het prioriteren van hoge werksnelheden en het optimaliseren voor parallelle berekeningen verbeterd in vergelijking met eerdere versies. Dense Convolutional Network (DenseNet) is een ander populair model dat state-of-the-art resultaten behaalt in concurrerende datasets. DenseNet201 leverde een vergelijkbare validatiefout op die vergelijkbaar is met die van ResNet101; DenseNet201 heeft echter minder dan 20 miljoen parameters, wat minder is dan de meer dan 40 miljoen parameters van ResNet10130. Daarom zou het DenseNet-model de nauwkeurigheid van de voorspelling kunnen verbeteren met een toenemend aantal parameters zonder tekenen van overfitting. Hier maakt een programma voor kunstmatige intelligentie (AI) gebruik van een hybride deep learning-algoritme met neurale netwerkbackbones voor diepe detectie en classificatie op het interne CiRA CORE-platform. Het ontwikkelde programma kan de protozoaire trypanosoomsoorten, namelijk Trypanosoma cruzi, T. brucei en T. evansi, identificeren en classificeren op basis van microscopische beelden met olie-onderdompeling. Deze technologie heeft het potentieel om een revolutie teweeg te brengen in ziektebewaking en -bestrijding door een snelle, geautomatiseerde en nauwkeurige screeningsmethode te bieden. Het zou lokaal personeel kunnen helpen bij het nemen van beter geïnformeerde beslissingen over transmissieblokkerende strategieën voor parasitaire protozoaire ziekten.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Gearchiveerde bloedfilms en projectontwerp werden goedgekeurd door de Institutional Biosafety Committee, de Institutional Animal Care and Use Committee van de Faculteit Diergeneeskunde, Chulalongkorn University (IBC nr. 2031033 en IACUC nr. 1931027), en Human Research Ethics Committee van King Mongkut's Institute of Technology Ladkrabang (EC-KMITL_66_014).

1. Voorbereiding van RAW-afbeeldingen

  1. De voorbereiding van de afbeeldingsgegevensset
    1. Verkrijg ten minste 13 positieve objectglaasjes met bloedparasietinfecties, waaronder T. brucei, T. cruzi en T. evansi, bevestigd door parasitologen. Scheid de 13 dia's voor training (10 dia's) en testen (drie dia's).
    2. Maak beelden van de Giemsa gekleurde-dunne bloedfilms zoals hierboven beschreven onder een olie-immersieveld van een lichtmicroscoop met een digitale camera. Verkrijg afbeeldingen met meerdere objecten van de trypomastigoten van alle drie de parasietsoorten die microscopisch worden onderzocht; Zoek naar een slanke vorm, lange staarten, een golvend membraan en een kinetoplast aan het voorste uiteinde.
      OPMERKING: Het maken van zowel dikke als dunne uitstrijkjes zou de detectie van acute fase trypanosomiasisverbeteren 31. De bloedafname door middel van een vingerprik wordt aanbevolen door de WHO32. Niettemin zijn dunne films effectiever in het identificeren van Trypanosoma cruzi en andere soorten, omdat deze organismen de neiging hebben om vervormd te raken in dikke films33. In het licht hiervan gebruikten we dunne bloedfilmbeelden om de juiste morfologie van de parasieten voor deze studie te behouden.
    3. Sla alle afbeeldingen op in een parasietspecifieke map met de volgende specificaties: 1.600 x 1.200 pixels, 24-bits diepte en JPG-bestandsindeling. Splits de afbeeldingen op in de trainings- en testsets met een verhouding van ~6:1.
      OPMERKING: Zie https://gitlab.com/parasite3/superior-auto-identification-of-medically-important-trypanosome-parasites-by-using-a-hybrid-deep-learning-model/-/blob/main/JOVEimage.zip; 650 beelden werden gesplitst om te trainen (560 beelden) en te testen (90 beelden) model.
    4. Definieer het interessegebied als een rechthoekig label voor twee klassen: trypanosomen en niet-trypanosomen. Gebruik de module voor automatisch bijsnijden om alle gedetecteerde afbeeldingen bij te snijden met behulp van het goed getrainde objectdetectiemodel. De auto-cropping module is de module die is ontwikkeld in het in-house CiRA CORE programma (zie Tabel met materialen). Verzamel één object per afbeelding voor het trainen van de objectclassificatie.
      OPMERKING: Voor dit artikel werden 1.017 afbeeldingen gesplitst voor training (892 afbeeldingen) en testen (126 afbeeldingen). De modeltraining werd uitgevoerd met vier gelabelde klassen, waaronder leukocyten, T. brucei, T. cruzi en T. evansi.

2. Trainingsproces met in-house CiRA CORE platform

  1. Een nieuw project starten
    1. Open de CiRA CORE-applicatie vanaf het bureaublad van de computer (zie Tabel met materialen) en maak een nieuw project aan door te dubbelklikken op het pictogram van het programma.
    2. Kies het bedieningspictogram op de linker verticale werkbalk om de gewenste gereedschappen te selecteren.
  2. Training voor objectdetectiemodellen
    1. Selecteer de functie voor het trainings-DL-model voor het labelen en trainen van gegevens met behulp van de methode slepen en neerzetten . Ga naar de werkbalk Algemeen | CiRA AI | Sleep DeepTrain | Zet DeepTrain op het scherm (rechterkant).
      OPMERKING: Voor extra opties klikt u met de rechtermuisknop op het geselecteerde gereedschap en voert u de juiste functies uit: Kopiëren, Knippen of Verwijderen.
    2. Importeer de afbeeldingen met behulp van de instellingen van de DeepTrain-tool. Klik op de knop Afbeeldingen laden en navigeer naar de afbeeldingsmap. Label de objecten door de linkermuisknop ingedrukt te houden en het geselecteerde object een naam te geven. Pas de dikte van de rechthoekige lijn en de lettergrootte aan door op de knop Weergave-instelling te klikken en GT op te slaan als een .gt-bestand in dezelfde map.
      NOTITIE: Sla indien nodig op om ongewenste omstandigheden zoals stroomtekort, automatische programmasluitingen en vastlopen binnen het etiketteringsproces te voorkomen.
    3. Breid de gegevens voorafgaand aan de modeltraining uit om voldoende informatie te verzamelen met behulp van de vier augmentatietechnieken: Rotatie, Contrast, Ruis en Vervaging. Klik op de Gen Setting knop om toegang te krijgen tot deze functie.
    4. Start modeltraining door te klikken op de knop Training in de DeepTrain-tool . Het trainingsgedeelte heeft twee subfuncties: Trainingsbestanden genereren en Trainen. Selecteer onder de functie Trainingsbestanden genereren de gewenste modellen, batchgrootte en onderverdelingen. Klik op de knop Genereren om gegevens te genereren en op te slaan in de map. Kies in de functie Trainen de volgende opties: i) gebruik een andere gegenereerde trainingslocatie voor omstandigheden en back-up, ii) gebruik vooraf gebouwde gewichten voor voortgezette training, of iii) overschrijf parameters voor het huidige trainingsontwerp. Hiermee worden de modelconfiguratie en trainingsvoorwaarden ontworpen.
      OPMERKING: De tijd die nodig is voor het genereren van bestanden is afhankelijk van de grootte van het afbeeldingsbestand, het gebruik van augmentatie en de beschikbare geheugenruimte.
    5. Zodra alle benodigde configuraties zijn voltooid, begint u met de modeltraining door op de knop Trainen te klikken. Laat het programma continu uitvoeren, evalueer het trainingsverlies en pas het gewicht van de dataset aan tijdens het trainingsproces. Als het model optimaal verlies behaalt, slaat u het getrainde gewichtsbestand op in de opgegeven map door op de knop Exporteren te klikken.

3. Evaluatie van het objectdetectiemodel

  1. Selecteer de objectdetectiemodelevaluatiefunctie voor modelevaluatie met behulp van de methode slepen en neerzetten. Ga naar de werkbalk van de plug-in | Evalueren | EvalDetect slepen | Zet EvalDetect op het scherm (rechterkant).
  2. Klik op Instellingen en wacht op drie functies: Detectie, Evalueren en Plotten. Start de modelevaluatie door het getrainde gewichtsbestand uit de directory te importeren (stap 2.2.5) door op Load Config te klikken.
  3. Selecteer onder de detectiefunctie de niet-maximale onderdrukkingswaarde (NMS) om de nauwkeurigheid te verbeteren door redundante fout-positieve (FP)-detecties te elimineren. NMS verwijdert duplicaat, door het model gegenereerde detecties voor verbeterde betrouwbaarheid.
  4. Ga verder met de volgende stappen onder de functie Evaluatie :
    1. Importeer testafbeeldingen uit de map met afbeeldingsbestanden door op Bladeren te klikken. Importeer het GT-bestand uit de map waar het in stap 2.2.2 is opgeslagen door op Load GT te klikken.
    2. Kies de waarde Intersection over Union (IoU) om de nauwkeurigheid van de specifieke beeldtestgegevensset te beoordelen.
    3. Klik op de knop Evaluatie om het detectiemodel in de opgegeven map te beoordelen. Zodra de evaluatie is voltooid, worden de resultaten automatisch opgeslagen als een CSV-bestand in dezelfde map, gesorteerd op klassenaam. Dit CSV-bestand bevat essentiële parameters zoals True Positive (TP), False Positive (FP), False Negative (FN), Recall en Precision voor elke klasse.
  5. Om de Precision-Recall (PR)-curve te plotten, volgt u deze stappen onder de functie Plot : Importeer de CSV-bestanden uit de map van de vorige sectie (stap 3.4) door op Bladeren te klikken. Kies klassen uit de lijst en klik op de knop Plot om de bewerkbare PR-curve-afbeelding weer te geven.
  6. Ten slotte, om een afbeelding met de AUC-waarden van de PR-curve op te slaan in het vereiste afbeeldingsformaat in de opgegeven map, klikt u op de knop Opslaan van de afbeelding.

4. Afbeelding bijsnijden voor een enkel object per afbeelding

  1. Voer de volgende stappen uit voordat u de afbeeldingen bijsnijdt:
    1. Importeer de afbeeldingen uit de map met afbeeldingsbestanden door naar de instellingen van de tool Afbeeldingsdia te gaan.
    2. Importeer het bestand met het getrainde gewicht (opgeslagen in stap 2.2.8) door naar de instellingen van de Deep Detect-tool te gaan. Klik op de knop Configuratie | + knop, selecteer de backend (CUDA of CPU), geef een naam op, klik op OK, kies de map met het gewichtbestand en klik op Kiezen. Selecteer in de Deep Detect-tool de detectieparameters (drempel- en niet-maxima-onderdrukking (nms)); tekening parameters; tracking-parameters; en parameters voor de regio van belang (ROI).
    3. Selecteer de map waar de bijgesneden afbeeldingen worden opgeslagen door naar de instellingen van de tool Diep bijsnijden te gaan. Klik op Bladeren | kies de map om de bijgesneden afbeeldingen op te slaan | klik op Kiezen | selecteer het afbeeldingsformaat (jpg of png) | schakel de optie Automatisch opslaan in.
  2. Snijd afbeeldingen bij om één object per afbeelding te verkrijgen voor beeldclassificatie en segmentatie. Om dit proces uit te voeren, gebruikt u vier tools en legt u verbindingen tussen hen: ga naar de werkbalk Algemeen | Algemeen | Knop uitvoeren. Navigeer vervolgens naar de werkbalk Algemeen | CiRA AI | Diepe detectie; Ga vervolgens naar de werkbalk Algemeen | CiRA AI | Diep gewas. Ga ten slotte naar Afbeeldingswerkbalk | Acquisitie | Afbeeldingsdia.
  3. Zodra alle benodigde instellingen zijn geïnstalleerd, start u het proces voor het bijsnijden van afbeeldingen door op de knop Uitvoeren te klikken.
  4. Verkrijg een nieuwe gegevensset voor beeldtraining die bestaat uit afbeeldingen met één object met een grootte van 608 x 608.

5. Beeldclassificatie als modeltraining

  1. Gebruik slepen en neerzetten om de trainingsfunctie van het afbeeldingsclassificatiemodel te selecteren voor gegevenstraining. Ga naar de werkbalk Afbeelding | DeepClassif | Sleep ClassifTrain | Zet ClassifTrain op het scherm.
  2. Importeer afbeeldingen voor modeltraining met behulp van de instellingen van de ClassifTrain-tool . Klik op de knop Map openen en navigeer naar de gewenste afbeeldingsmap. Breid vóór de training de gegevens uit door op de knop Augmentatie te klikken voor meer informatie met behulp van technieken zoals Rotatie, Contrast, Spiegelen (horizontaal en/of verticaal), Ruis en Vervaging.
  3. Om de modeltraining te starten, klikt u op de GenTrain-knop van de ClassifTrain-tool . Selecteer onder de GenTrain-functie de modellen, batchgrootte en onderverdelingen. Wijs een map toe om het gegenereerde bestand op te slaan. Klik op de knop Genereren om door te gaan met gegevens voor training. Vink in de functie Trainen de juiste opties aan: Doorgaan met trainen met standaardgewicht of aangepast gewicht.
    OPMERKING: Het generatieproces kan enige tijd in beslag nemen, afhankelijk van factoren zoals de grootte van het afbeeldingsbestand, het gebruik van augmentatie, klasseverdeling en beschikbare geheugenruimte.
  4. Zodra alle voorbereidingen zijn voltooid, start u de modeltraining door op de knop Start te klikken. Laat het programma continu uitvoeren, evalueer het trainingsverlies en pas het gewicht van de dataset aan tijdens het trainingsproces. Als het model het gewenste niveau van verlies bereikt, slaat u het getrainde gewichtsbestand op in de opgegeven map door op de knop Exporteren te klikken.

6. Evaluatie van het classificatiemodel

  1. Selecteer de evaluatiefunctie van het afbeeldingsclassificatiemodel voor modelevaluatie met behulp van de methode slepen en neerzetten . Ga naar de werkbalk van de plug-in | Evalueren | Sleep EvaluateClassif | Zet EvaluateClassif neer op het scherm (aan de rechterkant).
  2. Klik op Instellingen om toegang te krijgen tot extra functies binnen de EvaluateClassif-tool, namelijk Evalueren en PlotROC.
  3. Als u de modelevaluatie wilt starten, klikt u op de knop Evalueren in de tool EvaluateClassif . Volg deze stappen onder de functie Evalueren .
    1. Importeer de testbeelden uit de map met afbeeldingsbestanden door te klikken op de afbeelding van de map Laden. Importeer het bestand met het getrainde gewicht uit de directory (opgeslagen in stap 5.4) door te klikken op Load Config. Klik op de knop Start om het classificatiemodel te evalueren.
    2. Zodra de evaluatie is voltooid, slaat u het geëvalueerde bestand op als CSV in de opgegeven map door op de knop Exporteren naar CSV te klikken. Voor de evaluatie van gegevens bij elke drempel slaat u het CSV-bestand met klassenamen op in de opgegeven map door te klikken op Alle drempelwaarde starten. Het opgeslagen CSV-bestand bevat parameters zoals Recall (True Positive Rate), False Positive Rate en Precision voor elke klasse.
  4. Om de ROC-curve (Receiver Operating Characteristics) te plotten, klikt u op de knop PlotROC in de EvaluateClassif-tool. Volg deze stappen onder de functie PlotROC.
    1. Importeer CSV-bestanden uit de eerder verkregen map door op Bladeren te klikken. Inspecteer de lijst met geïmporteerde klassen en selecteer elk klasselabel om de ROC-curve te plotten.
    2. Klik op de knop Plot om de ROC-curve als een afbeelding te visualiseren. Breng de gewenste bewerkingen aan om afbeeldingseigenschappen aan te passen, waaronder lettergrootte, letterkleuren, afronding van de decimaal, lijnstijlen en lijnkleuren.
  5. Sla ten slotte een afbeelding van de ROC-curve met de AUC-waarden op in het gewenste afbeeldingsformaat in de opgegeven map door op de knop Opslaan te klikken.

7. Testen van het proces met de CiRA CORE applicatie

  1. Objectdetectie als modeltest
    1. Om modeltests uit te voeren, gebruikt u vier tools en legt u verbindingen tussen hen. Ga naar de werkbalk Algemeen | Algemeen | Knop uitvoeren. Dan, werkbalk Algemeen | Algemeen | Fouten opsporen. Klik daarna op de werkbalk Algemeen | CiRA AI | DeepDetect, en tot slot Afbeelding werkbalk | Acquisitie | Afbeeldingsdia.
    2. Volg deze stappen voordat u de afbeeldingen test:
      1. Importeer de testafbeeldingen uit de map met afbeeldingsbestanden door te klikken op de optie Instellingen in de tool Afbeeldingsdia .
      2. Importeer het opgeslagen bestand met getrainde gewichten uit stap 2.2.8 door te klikken op de optie Instellingen in de DeepDetect-tool . Klik op de knop Config en vervolgens op de knop +, selecteer de backend (CUDA of CPU), geef een naam op, klik op OK, kies de map met het gewichtsbestand en klik op Kiezen. Selecteer onder de DeepDetect-tool de detectieparameters (Threshold en nms), tekenparameters, trackingparameters en ROI-parameters.
      3. Bekijk de resultaten van de testafbeelding door op de afbeeldingsfunctie in de Debug-tool te klikken.
    3. Controleer ten slotte de voorspelde resultaten voor elke afbeelding door op de knop Uitvoeren op de tool Knop Uitvoeren te klikken.
  2. Beeldclassificatie als modeltest
    1. Om modeltests uit te voeren, gebruikt u vier tools en legt u verbindingen tussen hen. Ga naar de werkbalk Algemeen | Algemeen | knop uitvoeren; vervolgens, werkbalk Algemeen | Fouten opsporen. Navigeer daarna naar Afbeeldingswerkbalk | Acquisitie | ImageSlide, en tot slot, Afbeelding werkbalk | DeepClassif | DeepClassif.
    2. Volg deze stappen voordat u de afbeeldingen test:
      1. Importeer de testafbeeldingen uit de map met afbeeldingsbestanden door te klikken op de optie Instellingen in de tool Afbeeldingsdia .
      2. Importeer het opgeslagen bestand met getrainde gewichten uit sectie 5.5 door te klikken op de optie Instellingen in de DeepClassif-tool . Klik op de knop Configuratie | + knop | selecteer de backend (CUDA of CPU) | Geef een naam op | klik op OK | Kies de map Gewicht bestand | klik op Kiezen. Selecteer onder de DeepClassif-tool de classificatieparameters (drempel en aantal voorspellingen van de hoogste klasse), gidskaartparameters (drempel-, alfa-, bèta- en kleurenkaart) en verschillende parameters in de kleurenkaart.
      3. Bekijk de resultaten van de testafbeelding door op de afbeeldingsfunctie in de Debug-tool te klikken.
    3. Controleer ten slotte de voorspelde resultaten voor elke afbeelding door op de knop Uitvoeren op de tool Knop Uitvoeren te klikken.

8. Hybride (detectie en classificatie) als modeltest

  1. Om deze modeltest uit te voeren, gebruikt u vier tools en legt u verbindingen tussen deze tools. Ga naar de werkbalk Algemeen | Algemeen | Knop uitvoeren. Dan, werkbalk Algemeen | Algemeen | Fouten opsporen. Daarna, Afbeeldingswerkbalk | Acquisitie | ImageSlide, en tot slot, Afbeelding werkbalk | Diep composiet | DeepD->C.
  2. Volg deze stappen voordat u de afbeeldingen test: Importeer testafbeeldingen uit de map met afbeeldingsbestanden door te klikken op de optie Instellingen in de tool Afbeeldingsdia . Importeer de twee opgeslagen bestanden met getrainde gewichten uit sectie 2.1.5 en paragraaf 4.4 door te klikken op de optie Instelling in de DeepD->C-tool :
    1. Klik voor de Detect-functie op de knop Config |+ knop, selecteer de backend (CUDA of CPU) | Geef een naam op | klik op OK | kies de map met het gewichtsbestand | klik op Kiezen. Selecteer onder de functie Detecteren de detectieparameters (Threshold en nms), tekenparameters, trackingparameters en ROI-parameters.
    2. Klik voor de functie Classif op de knop Config |+ knop, selecteer de backend (CUDA of CPU) | Geef een naam op | klik op OK | kies de map met het gewichtsbestand | klik op Kiezen. Selecteer onder de functie Classif de classificatieparameters (Drempelwaarde en aantal voorspellingen van de hoogste klasse) en Gidskaartparameters (drempel-, alfa-, bèta- en kleurenkaart).
  3. Bekijk de resultaten van de testafbeelding door op de afbeeldingsfunctie in de Debug-tool te klikken. Controleer ten slotte de voorspelde resultaten voor elke afbeelding door op de knop Uitvoeren op de tool Knop Uitvoeren te klikken.

9. Vijfvoudige kruisvalidatie

OPMERKING: Om de prestaties van het voorgestelde model effectiever te valideren, wordt K-vouw kruisvalidatie gebruikt.

  1. Verdeel de dataset in vijf secties, die overeenkomen met de vijf vouwen van kruisvalidatie. Gebruik tijdens elke iteratie van modeltraining en -testen één sectie als validatieset voor testen en de overige vier secties voor training. Herhaal dit proces vijf keer, waarbij elke vouw één keer wordt gebruikt als validatieset.
  2. Voor vouwen 1 t/m 5:
    1. Herhaal sectie 5 om het model te trainen met behulp van de trainingsgegevens van de vier vouwen.
    2. Herhaal paragraaf 7.2 om het model te testen met de resterende vouw als testset.

10. Evaluatie van het model

  1. Verwarringsmatrix
    1. Op basis van de testresultaten zullen de vier voorwaarden als volgt gebeuren:
      1. True Positive (TP): wanneer de invoerafbeelding waar is en de voorspelling ook waar is.
      2. Fout-positief (FP): wanneer de invoerafbeelding onwaar is, maar de voorspelling waar is.
      3. False Negative (FN): wanneer de invoerafbeelding waar is, maar de voorspelling onwaar is.
      4. True Negative (TN): wanneer de invoerafbeelding onwaar is en de voorspelling ook onwaar is.
    2. Evalueer aan de hand van deze vier voorwaarden de prestaties met de verwarringsmatrix.
  2. Prestatie-evaluaties
    1. De meest gebruikte classificatieprestatiemaatstaven zijn nauwkeurigheid, precisie, herinnering, specificiteit en F1-scorewaarden. Bereken alle evaluatiemaatstaven in vergelijkingen (1-6) die worden gebruikt om de prestaties van het model te evalueren op basis van waarden uit de verwarringsmatrix.
      figure-protocol-1(1)
      figure-protocol-2(2)
      figure-protocol-3(3)
      figure-protocol-4(4)
      figure-protocol-5(5)
      figure-protocol-6(6)
  3. ROC-curve
    OPMERKING: De ROC-curve is een prestatiemaatstaf voor classificatieproblemen met verschillende drempelwaarden. Het gebied onder de ROC-curve (AUC) vertegenwoordigt de mate of maat van scheidbaarheid, terwijl de ROC een waarschijnlijkheidscurve is.
    1. De ROC-curve is een tweedimensionale grafiek met de waarden van het percentage echte positieve percentages (TPR) en de waarden van de fout-positieve snelheid (FPR) uitgezet op respectievelijk de Y- en X-as. Construeer de ROC-curven met behulp van de TPR- en TFR-waarden die zijn verkregen uit de verwarringsmatrix. De TPR-waarde is gelijk aan de gevoeligheid; bereken de FPR-waarde met behulp van de vergelijking (7).
      figure-protocol-7(7)
    2. Nadat u de TPR- en FPR-waarden hebt verkregen, tekent u de ROC-curve met behulp van de opensource-webtool Jupyter Notebook in een Python-omgeving. De AUC is een effectieve manier om de prestaties van het voorgestelde model in ROC-curve-analyse te beoordelen.
  4. PR-curve
    1. Gebruik de PR-curve om modellen te evalueren door het gebied onder de PR-curve te meten. Construeer de PR-curve door de precisie en herinnering van de modellen uit te zetten met behulp van de betrouwbaarheidsdrempelfuncties van het model. Omdat de PR-curve ook een tweedimensionale grafiek is, zet u Recall op de x-as en Precision op de y-as.
    2. Plot de PR-curve, zoals de ROC-curve, met behulp van de open-source Jupyter Notebook-webtool in een Python-omgeving. Het gebied onder de AUC-score (Precision-Recall-curve) is ook nuttig bij de classificatie van meerdere labels.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Resultaten

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

In deze studie werden hybride deep learning-algoritmen voorgesteld om automatisch de positiviteit van een bloedmonster met een trypanosoomparasietinfectie te voorspellen. Gearchiveerde, met Giemsa bevlekte bloedfilms werden gesorteerd om de geparasiteerde versus niet-parasitaire te lokaliseren en te classificeren met behulp van het objectdetectie-algoritme op basis van een neuraal netwerk van darknet-ruggengraat. Binnen elk voorspellingsresultaat van een rechthoekige doos verkregen door het vorige model, werd het best ge...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Discussie

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Microscopische observatie voor Trypanosoma protozoa-infectie wordt vroeg en vaak gebruikt, vooral tijdens surveillance in afgelegen gebieden waar een gebrek is aan bekwame technici en arbeidsintensieve en tijdrovende processen die allemaal obstakels vormen voor het tijdig melden van de gezondheidsorganisatie. Hoewel moleculair-biologische technieken zoals immunologie en polymerasekettingreactie (PCR) zijn goedgekeurd als hooggevoelige methoden om de effectiviteit van laboratoriumbevindingen te ondersteunen, zijn er dure ...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Openbaarmakingen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Alle auteurs hebben geen financiële openbaarmakingen en geen belangenconflicten.

Dankbetuigingen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Dit werk (Onderzoeksbeurs voor New Scholar, Grant No. RGNS 65 - 212) werd financieel ondersteund door het Bureau van de Permanent Secretaris, Ministerie van Hoger Onderwijs, Wetenschap, Onderzoek en Innovatie (OPS MHESI), Thailand Science Research and Innovation (TSRI) en King Mongkut's Institute of Technology Ladkrabang. We zijn de National Research Council of Thailand (NRCT) [NRCT5-RSA63001-10] dankbaar voor de financiering van het onderzoeksproject. M.K. werd gefinancierd door Thailand Science Research and Innovation Fund Chulalongkorn University. We danken ook het College of Advanced Manufacturing Innovation, King Mongkut's Institute of Technology, Ladkrabang, die het deep learning-platform en de software hebben geleverd om het onderzoeksproject te ondersteunen.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Materialen

Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
Darknet19, Darknet53 en Densenet201Gao Huang, Z. L., Laurens van der Maaten. Densely Connected Convolutional Networks. arXiv:1608.06993 [cs.CV]. (2016)https://github.com/liuzhuang13/DenseNet Diep convolutioneel neuraal netwerkmodel dat kan functioneren voor  classificatie
Algemene naam: YOLO-model/ detectiemodel?
Olympus CX31 Model CX31RRBSFA Olympus, Tokio, JapanSN 4G42178 Een lichtmicroscoop 
Olympus DP21-SAL U-TV0.5XC-3 Olympus, Tokio, JapanSN 3D03838Een digitale camera
Algemene naam: Classificatiemodellen/ dicht CNN's
Windows 10MicrosoftWindows 10Besturingssysteem in computers
YOLO v4-tiny Naing, K. M. et al. Automatische herkenning van parasitaire producten bij ontlastingonderzoek met behulp van een objectdetectie-aanpak. PeerJ Comput Sci. 8 e1065, (2022).https://git.cira-lab.com/users/sign_inDiep convolutioneel neuraal netwerkmodel dat kan functioneren voor zowel lokalisatie als classificatie 
https://git.cira-lab.com/users/sign_in

Referenties

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Kasozi, K. I., et al. Epidemiology of trypanosomiasis in wildlife-implications for humans at the wildlife interface in Africa. Frontiers in Veterinary Science. 8, 621699(2021).
  2. Ola-Fadunsin, S. D., Gimba, F. I., Abdullah, D. A., Abdullah, F. J. F., Sani, R. A. Molecular prevalence and epidemiology of Trypanosoma evansi among cattle in peninsular Malaysia. Acta Parasitologica. 65 (1), 165-173 (2020).
  3. Aregawi, W. G., Agga, G. E., Abdi, R. D., Buscher, P. Systematic review and meta-analysis on the global distribution, host range, and prevalence of Trypanosoma evansi. Parasites & Vectors. 12 (1), 67(2019).
  4. Joshi, P. P., et al. Human trypanosomiasis caused by Trypanosoma evansi in India: the first case report. The Am Journal of Tropical Medicine and Hygiene. 73 (3), 491-495 (2005).
  5. Lidani, K. C. F., et al. Chagas disease: from discovery to a worldwide health problem. Frontiers in Public Health. 7, 166(2019).
  6. Sazmand, A., Desquesnes, M., Otranto, D. Trypanosoma evansi. Trends in Parasitology. 38 (6), 489-490 (2022).
  7. Powar, R. M., et al. A rare case of human trypanosomiasis caused by Trypanosoma evansi.Indian. Journal of Medical Microbiology. 24 (1), 72-74 (2006).
  8. Shegokar, V. R., et al. Short report: Human trypanosomiasis caused by Trypanosoma evansi in a village in India: preliminary serologic survey of the local population. American Journal of Tropical Medicine and Hygiene. 75 (5), 869-870 (2006).
  9. Haridy, F. M., El-Metwally, M. T., Khalil, H. H., Morsy, T. A. Trypanosoma evansi in dromedary camel: with a case report of zoonosis in greater Cairo, Egypt. Journal of the Egyptian Society of Parasitology. 41 (1), 65-76 (2011).
  10. Dey, S. K. CATT/T.evansi antibody levels in patients suffering from pyrexia of unknown origin in a tertiary care hospital in Kolkata. Research Journal of Pharmaceutical, Biological and Chemical Sciences. 5, 334-338 (2014).
  11. Dakshinkar, N. P., et al. Aberrant trypanosomias in human. Royal Veterinary Journal of India. 3 (1), 6-7 (2007).
  12. Vn Vinh Chau, N., et al. A clinical and epidemiological investigation of the first reported human infection with the zoonotic parasite Trypanosoma evansi in Southeast Asia. Clinical Infectious Diseases. 62 (8), 1002-1008 (2016).
  13. Misra, K. K., Roy, S., Choudhary, A. Biology of Trypanosoma (Trypanozoon) evansi in experimental heterologous mammalian hosts. Journal of Parasitic Diseases. 40 (3), 1047-1061 (2016).
  14. Nakayima, J., et al. Molecular epidemiological studies on animal trypanosomiases in Ghana. Parasites & Vectors. 5, 217(2012).
  15. Riana, E., et al. The occurrence of Trypanosoma in bats from Western Thailand. The 20th Chulalongkorn University Veterinary Conference CUVC 2021: Research in practice. 51, Bangkok, Thailand. (2021).
  16. Camoin, M., et al. The Indirect ELISA Trypanosoma evansi in equids: optimisation and application to a serological survey including racing horses, in Thailand. BioMed Research International. 2019, 2964639(2019).
  17. Truc, P., et al. Atypical human infections by animal trypanosomes. PLoS Neglected Tropical Diseases. 7 (9), 2256(2013).
  18. Desquesnes, M., et al. Diagnosis of animal trypanosomoses: proper use of current tools and future prospects. Parasites & Vectors. 15 (1), 235(2022).
  19. Da Silva, A. S., et al. Trypanocidal activity of human plasma on Trypanosoma evansi in mice. Revista Brasileira de Parasitologia Veterinaria. 21 (1), 55-59 (2012).
  20. Desquesnes, M., et al. Trypanosoma evansi and surra: a review and perspectives on transmission, epidemiology and control, impact, and zoonotic aspects. BioMed Research International. 2013, 321237(2013).
  21. World Health Organization. A new form of human trypanosomiasis in India. Description of the first human case in the world caused by Trypanosoma evansi. Weekly Epidemiological Record. 80 (7), 62-63 (2005).
  22. Naing, K. M., et al. Automatic recognition of parasitic products in stool examination using object detection approach. PeerJ Computer Science. 8, 1065(2022).
  23. Wongsrichanalai, C., Barcus, M. J., Muth, S., Sutamihardja, A., Wernsdorfer, W. H. A review of malaria diagnostic tools: microscopy and rapid diagnostic test (RDT). American Journal of Tropical Medicine and Hygiene. 77, 119-127 (2007).
  24. Rostami, A., Karanis, P., Fallahi, S. Advances in serological, imaging techniques and molecular diagnosis of Toxoplasma gondii infection. Infection. 46 (3), 303-315 (2018).
  25. Ahmad, Z., Rahim, S., Zubair, M., Abdul-Ghafar, J. Artificial intelligence (AI) in medicine, current applications and future role with special emphasis on its potential and promise in pathology: present and future impact, obstacles including costs and acceptance among pathologists, practical and philosophical considerations. A comprehensive review. Diagnostic Pathology. 16 (1), 24(2021).
  26. Sarker, I. H. Deep learning: a comprehensive overview on techniques, taxonomy, applications and research directions. SN Computer Science. 2 (6), 420(2021).
  27. Kittichai, V., et al. Classification for avian malaria parasite Plasmodium gallinaceum blood stages by using deep convolutional neural networks. Scientific Reports. 11 (1), 16919(2021).
  28. Baskota, S. U., Wiley, C., Pantanowitz, L. The next generation robotic microscopy for intraoperative teleneuropathology consultation. Journal of Pathology Informatics. 11, 13(2020).
  29. Bochkovskiy, A., Wang, C. -Y., Liao, H. -Y. M. YOLOv4: optimal speed and accuracy of object detection. arXiv. , 10934(2004).
  30. Huang, G., Liu, Z., vander Maaten, L., Weinberger, K. Q. Densely connected convolutional networks. arXiv. , 06993(2018).
  31. CDC-DPDx. Diagnostic procedures - Blood specimens. , Available from: https://www.cdc.gov/dpdx/diagosticprocedures/blood/specimenproc.html#print (2020).
  32. World Health Organization. Control and surveillance of African trypanosomiasis: report of a WHO expert committee. WHO Technical Report Series 881. , Available from: https://iris.who.int/bitstream/handle/10665/42087/WHO_TRS_881.pdf?sequence=1 (1998).
  33. Leber, A. L. Detection of blood parasites. Clinical Microbiology Procedures Handbook. , ASM Press. Washington, DC. (2022).
  34. Huang, L. -P., Hong, M. -H., Luo, C. -H., Mahajan, S., Chen, L. -J. A vector mosquitoes classification system based on edge computing and deep learning. Proceedings-2018 Conmference on Technologies and Applications of Artifical Intelligence. , Taichung, Taiwan. 24-27 (2018).
  35. Cihan, P., Gökçe, E., Kalipsiz, O. A review of machine learning applications in veterinary field. Kafkas Universitesi Veteriner Fakultesi Dergisi. 23 (4), 673-680 (2017).
  36. Berrar, D. Cross-validation. Encyclopedia of Bioinformatics and Computational Biology. 1, 542-545 (2019).
  37. Gaithuma, A. K., et al. A single test approach for accurate and sensitive detection and taxonomic characterization of Trypanosomes by comprehensive analysis of internal transcribed spacer 1 amplicons. PLoS Neglected Tropical Diseases. 13 (2), 0006842(2019).
  38. Vijayalakshmi, A., Rajesh Kanna, B. Deep learning approach to detect malaria from microscopic images. Multimedia Tools and Applications. 79 (21-22), 15297-15317 (2019).
  39. Morais, M. C. C., et al. Automatic detection of the parasite Trypanosoma cruzi in blood smears using a machine learning approach applied to mobile phone images. PeerJ. 10, 13470(2022).
  40. Uc-Cetina, V., Brito-Loeza, C., Ruiz-Pina, H. Chagas parasite detection in blood images using AdaBoost. Computational and Mathematical Methods in Medicine. 2015, 139681(2015).
  41. Zhang, C., et al. Deep learning for microscopic examination of protozoan parasites. Computational and Structural Biotechnology Journal. 20, 1036-1043 (2022).
  42. Sarataphan, N., et al. Diagnosis of a Trypanosoma lewisi-like (Herpetosoma) infection in a sick infant from Thailand. Journal of Medical Microbiology. 56, 1118-1121 (2007).
  43. Desquesnes, M., et al. A review on the diagnosis of animal trypanosomoses. Parasites & Vectors. 15 (1), 64(2022).
  44. Fuhad, K. M. F., et al. Deep learning based automatic malaria parasite detection from blood smear and its smartphone based application. Diagnostics (Basel). 10 (5), 329(2020).
  45. Christian Matek, S. S., Spiekermann, K., Marr, C. Human-level recognition of blast cells in acute myeloid leukaemia with convolutional neural networks. Nature Machine Intelligence. 1, 538-544 (2019).
  46. Hamdan, S., Ayyash, M., Almajali, S. Edge-computing architectures for internet of things applications: a survey. Sensors (Basel). 20 (22), 6441(2020).
  47. Visser, T., et al. A comparative evaluation of mobile medical APPS (MMAS) for reading and interpreting malaria rapid diagnostic tests. Malaria Journal. 20 (1), 39(2021).
  48. Giorgi, E., Macharia, P. M., Woodmansey, J., Snow, R. W., Rowlingson, B. Maplaria: a user friendly web-application for spatio-temporal malaria prevalence mapping. Malaria Journal. 20 (1), 471(2021).
  49. Rajaraman, S., Jaeger, S., Antani, S. K. Performance evaluation of deep neural ensembles toward malaria parasite detection in thin-blood smear images. PeerJ. 7, 6977(2019).

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Herprints en machtigingen

Toestemming aanvragen om de tekst of afbeeldingen van dit JoVE-artikel te hergebruiken

Toestemming aanvragen

Trefwoorden

Trypanosoomidentificatieobjectdetectiebeeldclassificatiemicroscopische beeldenTrypanosoma cruziTrypanosoma bruceiTrypanosoma evansipatroonherkenningziektebewaking

Gerelateerde artikelen