Artykuł metodologiczny

Doskonała automatyczna identyfikacja pasożytów trypanosomów dzięki zastosowaniu hybrydowego modelu głębokiego uczenia

DOI:

10.3791/65557

⸱

27 października 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

W tym artykule

Podsumowanie

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

Na całym świecie medyczne pasożyty krwi były automatycznie badane za pomocą prostych kroków na niskokodowej platformie AI. Udoskonalono prospektywną diagnostykę filmów krwi dzięki zastosowaniu metody wykrywania i klasyfikacji obiektów w hybrydowym modelu głębokiego uczenia. Współpraca aktywnego monitorowania i dobrze wyszkolonych modeli pomaga zidentyfikować punkty zapalne transmisji trypanosomów.

Streszczenie

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

Trypanosomatoza jest poważnym problemem zdrowia publicznego w kilku regionach świata, w tym w Azji Południowej i Azji Południowo-Wschodniej. Identyfikacja obszarów hotspotów objętych aktywnym nadzorem jest podstawową procedurą kontroli przenoszenia choroby. Badanie mikroskopowe jest powszechnie stosowaną metodą diagnostyczną. Opiera się jednak przede wszystkim na wykwalifikowanym i doświadczonym personelu. Aby rozwiązać ten problem, wprowadzono program sztucznej inteligencji (AI), który wykorzystuje hybrydową technikę głębokiego uczenia się szkieletów sieci neuronowych do identyfikacji obiektów i klasyfikacji obiektów na wewnętrznej platformie sztucznej inteligencji o niskim kodzie (CiRA CORE). Program może identyfikować i klasyfikować gatunki trypanosomów pierwotniaków, a mianowicie Trypanosoma cruzi, T. brucei i T. evansi, na podstawie obrazów mikroskopowych zanurzonych w oleju. Program sztucznej inteligencji wykorzystuje rozpoznawanie wzorców do obserwacji i analizy wielu pierwotniaków w jednej próbce krwi i podkreśla jądro i kinetoplast każdego pasożyta jako specyficzne cechy charakterystyczne za pomocą mapy uwagi.

Aby ocenić wydajność programu AI, tworzone są dwa unikalne moduły, które dostarczają różnorodnych miar statystycznych, takich jak dokładność, kompletność, specyficzność, precyzja, wynik F1, wskaźnik błędnej klasyfikacji, krzywe charakterystyki operacyjnej odbiornika (ROC) oraz krzywe precyzji w porównaniu z pamięcią (PR). Wyniki oceny pokazują, że algorytm sztucznej inteligencji jest skuteczny w identyfikowaniu i kategoryzowaniu pasożytów. Dostarczając szybkie, zautomatyzowane i dokładne narzędzie do badań przesiewowych, technologia ta ma potencjał, aby przekształcić nadzór i kontrolę chorób. Mogłoby to również pomóc lokalnym urzędnikom w podejmowaniu bardziej świadomych decyzji dotyczących strategii blokowania przenoszenia chorób.

Wprowadzenie

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

Trypanosomatoza jest poważnym wyzwaniem dla globalnych problemów zdrowotnych ze względu na różnorodność gatunków odzwierzęcych powodujących choroby u ludzi o szerokim zasięgu geograficznym poza kontynentami afrykańskimi i amerykańskimi, takimi jak Azja Południowa i Południowo-Wschodnia1,2,3. Ludzka trypanosomatoza afrykańska (HAT) lub śpiączka jest wywoływana przez Trypanosoma brucei gambiense i T. b. rhodesiense, które wytwarzają odpowiednio formy przewlekłe i ostre, reprezentujące główne rozprzestrzenianie się w Afryce. Pasożyt sprawczy należy do grupy Salivaria ze względu na przenoszenie przez zakażoną ślinę much Tse-tse4. dobrze znana trypanosomatoza amerykańska (choroba Chagasa) wywoływana przez T. cruzi stanowi zagrożenie dla zdrowia publicznego w krajach nieendemicznych; w tym Kanada, USA, Europa, Australia i Japonia, ze względu na częstą migrację osobników z obszarów endemicznych5. Zakażenie trypanosomem należy do grupy Stercoraria, ponieważ jest przenoszone przez zakażony kał robaków reduviiid. Trypanosomatozy i trypanosomozy (choroba Surra) wywołane zakażeniem T. evansi są endemiczne w Afryce, Ameryce Południowej, Azji Zachodniej i Wschodniej oraz krajach Azji Południowej i Południowo-Wschodniej3,6. Chociaż zgłoszono ludzką trypanosomatozę wywołaną przez trypanosom3,4,7,8,9,10,11,12, Droga przenoszenia infekcji pasożytem jest dyskutowana: albo mechaniczna, albo zakażona krew przez owady hematofagiczne, takie jak muchy tse-tse i tabanidy lub muchy końskie6,7,8,9,10,12,13,14. W Tajlandii nie znaleziono żadnego opisu przypadku, jednak opublikowano wysoką częstość występowania infekcji T. evansi u psów15, koni wyścigowych i bawołów wodnych w regionie wschodnim16, co sugeruje, że mogło dojść do nabytej transmisji między zwierzętami domowymi. Zgłoszono kilka nietypowych zakażeń u ludzi wywołanych przez trypanosomy zwierzęce (T. vivax, T. b. brucei, T. congolense, T. lewisi i T. evansi), które nie są klasycznymi formami ludzkich trypanosomów17. Świadomość na temat nietypowych zakażeń u ludzi może być niedoszacowana, co podkreśla potrzebę ulepszonych testów diagnostycznych i badań terenowych w celu wykrywania i potwierdzania tych nietypowych przypadków oraz umożliwienia właściwej kontroli i leczenia chorób chorobotwórczych zwierząt, które mają wpływ na globalny inwentarz żywy, bezpieczeństwo żywnościowe18 i opiekę zdrowotną dla ludzi. Doprowadziło to do opracowania potencjalnej strategii zintegrowanej z istniejącą powszechnie stosowaną metodą (badanie mikroskopowe) w celu szybkiego badania przesiewowego próbek krwi w odległych obszarach podczas aktywnego nadzoru, umożliwiając identyfikację stref krytycznych w celu ograniczenia i kontroli choroby.

Sporadyczne występowanie choroby Surra u wielu zwierząt domowych, takich jak dromadery, bydło, konie i psy, które wywołują euryxeniczne T. evansi, może być odzwierzęce dla ludzi1,4,13,14. Zakażenie człowieka wydaje się niemożliwe, ponieważ czynnik trypanolityczny w ludzkiej surowicy, wyrażany przez gen podobny do , jest w stanie zapobiegać ludzkim T. brucei i T. congolense12,19. Ponadto, jak pokazuje pierwszy opis przypadku z Indii, choroba nie ma związku z pacjentami z HIV z obniżoną odpornością4. Jak opisano powyżej, możliwe zakażenie u ludzi może być związane z niedoborem lipoprotein o dużej gęstości z nieprawidłową funkcją czynnika litycznego trypanosomu, który jest rzadką autosomalną recesywną chorobą genetyczną, a mianowicie chorobą Tangeru4. W 2016 roku u pacjenta z Wietnamu odkryto dwa allele APOL1 typu dzikiego i stężenie APOL1 w surowicy w normalnym zakresie. Jednak teoria niedoboru APOL-1 nie jest już uważana za ważną12. Dlatego jednym z możliwych mechanizmów zakażenia trypanosomem jest bezpośredni kontakt rany z zakażoną krwią zwierzęcą podczas pracy w hodowli zwierząt4,12. Badania mikroskopowe ujawniają, że morfologia T. evansi jest monomorficzną formą trypomastigoty, w tym dominującym długim, smukłym, wiciowym i dzielącym się trypanosomem, który jest podobny do ich krewnego gatunku T. brucei1,12,13. Jądro znajduje się w pozycji centralnej z widocznym małym kinetoplastem w pozycji tylnej. Poprzednie badanie wykazało, że pasożyt może występować w dwóch porównywalnych formach, znanych jako forma klasyczna i skrócona. Konieczne jest jednak potwierdzenie ich patogennego wpływu na gospodarzy20. Przebieg objawów jest różny, począwszy od okresowej gorączki związanej z dreszczami i poceniem się. Suramin, na szczęście, jest skuteczną terapią pierwszego rzutu we wczesnym stadium ludzkiej trypanosomatozy afrykańskiej bez inwazji ośrodkowego układu nerwowego (OUN), lecząc pacjentów w Indiach i Wietnamie4,12,21.

Z wyjątkiem badania objawów klinicznych, istnieje kilka metod diagnostycznych dla pasożytów T. evansi, w tym parazytologiczna obserwacja mikroskopowa4,9,12, serological4,8,9,10,12, oraz molekularne testy biologiczne4,12. Cienkie warstwy krwi barwione preparatem Giemsa są często używane do wizualizacji pasożyta obecnego pod mikroskopem, co jest rutynowo i powszechnie stosowane22. Procedura wydaje się jednak wykonalna; Niemniej jednak jest to czasochłonne i pracochłonne, ma zmienność oceny między oceniającymi, jest wrażliwe tylko na ostrą fazę i wymaga osobistego stażysty23. Zarówno biologia molekularna, jak i badania serologiczne wymagały również wysoko wykwalifikowanego personelu do wykonywania wielu procesów przygotowania próbek, w tym ekstrakcji i oczyszczania próbek przed testowaniem ich za pomocą drogiej aparatury, która jest trudna do standaryzacji, ryzyka zanieczyszczenia materiałami pozapasożytniczymi i rozbieżności w wynikach24. W oparciu o przesłanki opisane powyżej, potrzebna jest technologia szybkich i wczesnych badań przesiewowych, aby wesprzeć badanie nadzoru terenowego i zapewnić, że wyniki ankiety zostaną przedstawione w odpowiednim czasie w celu zidentyfikowania strefy hotspotu do dalszej kontroli transmisji choroby1,8. Urządzenia komputerowe (CAD) zostały zaproponowane jako innowacyjna technologia dla dziedzin medycznych, w tym zadań histopatologicznych i cytopatologicznych25. Wspomniany powyżej CAD został wykonany z dużą prędkością i obliczony przy użyciu rozpoznawania wzorców, a mianowicie sztucznej inteligencji (AI). Metoda sztucznej inteligencji jest realizowana przy użyciu algorytmów konwolucyjnych sieci neuronowych, które można wykorzystać do radzenia sobie z dużą liczbą próbek zestawów danych, w szczególności podejścia opartego na uczeniu nadzorowanym, które trenuje dobrze wyszkolony model po zużyciu danych.

Ogólnie rzecz biorąc, sztuczna inteligencja to zdolność komputerów do rozwiązywania zadań wymagających specjalistycznej inteligencji, takich jak etykietowanie danych. Uczenie maszynowe (ML), poddziedzina sztucznej inteligencji, jest reprezentowane jako system komputerowy z dwoma różnymi procesami składającymi się z ekstrakcji cech i rozpoznawania wzorców. Głębokie uczenie (DL), czyli zaawansowane algorytmy uczenia maszynowego, odnosi się do rozwoju skomputeryzowanych programów i urządzeń porównujących wydajność podobną do ludzkiej z poziomami dokładności większymi i równymi tym, które osiągają profesjonaliści26. Obecnie rola DL w medycynie i weterynarii obiecująco rozszerza się i rewolucjonizuje profilaktykę chorób zakaźnych w celu niedawnej profilaktyki i kierowania jej do indywidualnego personelu medycznego22,27. Potencjalna aplikacja DL jest nieograniczona dzięki etykietom jakości i dużej liczbie rozszerzonych zbiorów danych, co uwalnia specjalistów do zarządzania zadaniem projektowym. W szczególności postęp w obrazie cyfrowym wraz z analizą wspomaganą komputerowo poprawił automatyczną diagnostykę i badania przesiewowe w pięciu kategoriach zgłaszanych patologii; w tym metody statyczne, dynamiczne, zrobotyzowane, obrazowania całych slajdów i metody hybrydowe28. Należy wziąć pod uwagę, że integracja podejść opartych na algorytmach DL i cyfrowych danych obrazowych może zachęcić lokalny personel do korzystania z tej technologii w codziennych praktykach.

Poprzednio udowodniono wzrost dokładności przewidywania wynikający z zastosowania modelu hybrydowego27. Aby zidentyfikować pasożyta trypanosomu na obrazach mikroskopowych, w badaniu przedstawiono dwa modele hybrydowe, wykorzystujące algorytmy YOLOv4-tiny (wykrywanie obiektów) i Densenet201 (klasyfikacja obiektów). Spośród kilku modeli detekcji, YOLOv4-tiny ze szkieletem CSPDarknet53 wykazał się wysoką wydajnością jako wynik predykcji pod względem lokalizacji i klasyfikacji29. Ponieważ detektor w czasie rzeczywistym zmodyfikował optymalną równowagę między rozdzielczością sieci wejściowej, ilością warstwy konwolucyjnej, całkowitym parametrem i liczbą wyjść warstwy, poprawił priorytetyzację dużych prędkości operacyjnych i optymalizację pod kątem obliczeń równoległych w porównaniu z poprzednimi wersjami. Gęsta sieć konwolucyjna (DenseNet) to kolejny popularny model, który osiąga najnowocześniejsze wyniki w konkurencyjnych zestawach danych. DenseNet201 przyniósł podobny błąd walidacji porównywalny do tego z ResNet101; jednak DenseNet201 ma mniej niż 20 milionów parametrów, czyli mniej niż ponad 40 milionów parametrów ResNet10130. W związku z tym model DenseNet może poprawić dokładność przewidywania przy rosnącej liczbie parametrów bez oznak nadmiernego dopasowania. W tym przypadku program sztucznej inteligencji (AI) wykorzystuje hybrydowy algorytm głębokiego uczenia z głębokim wykrywaniem i klasyfikacją sieci neuronowych na wewnętrznej platformie CiRA CORE. Opracowany program może zidentyfikować i sklasyfikować gatunki trypanosomów pierwotniaków, a mianowicie Trypanosoma cruzi, T. brucei i T. evansi, na podstawie obrazów mikroskopowych zanurzonych w oleju. Technologia ta może zrewolucjonizować nadzór i kontrolę chorób, zapewniając szybką, zautomatyzowaną i dokładną metodę badań przesiewowych. Może to pomóc lokalnemu personelowi w podejmowaniu bardziej świadomych decyzji dotyczących strategii blokowania transmisji w przypadku pasożytniczej choroby pierwotniaków.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

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

Zarchiwizowane filmy krwi i projekt projektu zostały zatwierdzone przez Instytucjonalny Komitet ds. Bezpieczeństwa Biologicznego, Instytucjonalny Komitet ds. Opieki i Użytkowania Zwierząt Wydziału Nauk Weterynaryjnych Uniwersytetu Chulalongkorn (IBC nr 2031033 i IACUC nr 1931027), oraz Komitet Etyki Badań Naukowych Króla Mongkuta w Ladkrabang (EC-KMITL_66_014).

1. Przygotowanie surowych obrazów

  1. Przygotowanie zestawu danych obrazu
    1. Uzyskaj co najmniej 13 dodatnich preparatów z infekcjami pasożytami krwi, w tym T. brucei, T. cruzi i T. evansi, potwierdzonymi przez ekspertów parazytologów. Oddziel 13 slajdów do treningu (10 slajdów) i testowania (trzy slajdy).
    2. Zdobądź obrazy cienkich warstw krwi Giemsy opisanych powyżej w polu zanurzenia w oleju mikroskopu świetlnego za pomocą aparatu cyfrowego. Uzyskanie obrazów zawierających wiele obiektów trypomastigotów wszystkich trzech gatunków pasożytów pod badaniem mikroskopowym; Szukaj smukłego kształtu, długich ogonów, pofałdowanej błony i kinetoplastu na przednim końcu.
      UWAGA: Tworzenie zarówno grubych, jak i cienkich smug poprawiłoby wykrywalność trypanosomatozy ostrej fazy31. Pobieranie krwi przez nakłucie palca jest zalecane przez WHO32. Niemniej jednak, cienkie warstwy są bardziej skuteczne w identyfikacji Trypanosoma cruzi i innych gatunków, ponieważ organizmy te mają tendencję do zniekształcania się w grubych warstwach33. W związku z tym wykorzystaliśmy obrazy cienkiego filmu krwi, aby utrzymać odpowiednią morfologię pasożytów do tego badania.
    3. Przechowuj wszystkie obrazy w folderze specyficznym dla pasożyta o następujących specyfikacjach: 1 600 x 1 200 pikseli, 24-bitowa głębia i format pliku JPG. Podziel obrazy na zestawy treningowe i testowe w stosunku ~6:1.
      UWAGA: Patrz https://gitlab.com/parasite3/superior-auto-identification-of-medically-important-trypanosome-parasites-by-using-a-hybrid-deep-learning-model/-/blob/main/JOVEimage.zip; 650 obrazów zostało podzielonych na model trenowany (560 obrazów) i testowy (90 obrazów).
    4. Zdefiniuj obszar zainteresowania jako prostokątną etykietę dla dwóch klas: trypanosomów i nietrypanosomów. Użyj modułu automatycznego przycinania, aby przyciąć wszystkie wykryte obrazy przy użyciu dobrze wytrenowanego modelu wykrywania obiektów. Moduł automatycznego przycinania jest modułem opracowanym w autorskim programie CiRA CORE (patrz tabela materiałów). Zbierz pojedynczy obiekt na obraz w celu trenowania klasyfikacji obiektów.
      UWAGA: W tym artykule 1,017 obrazów zostało podzielonych na potrzeby treningowe (892 obrazy) i testowe (126 obrazów). Trening modelu przeprowadzono z czterema oznaczonymi klasami, w tym leukocytami, T. brucei, T. cruzi i T. evansi.

2. Proces szkoleniowy z wykorzystaniem własnej platformy CiRA CORE

  1. Rozpoczynanie nowego projektu
    1. Otwórz aplikację CiRA CORE z pulpitu komputera (patrz Spis materiałów) i utwórz nowy projekt, klikając dwukrotnie ikonę programu.
    2. Wybierz ikonę operacji na lewym pionowym pasku narzędzi, aby wybrać wymagane narzędzia.
  2. Trenowanie modelu wykrywania obiektów
    1. Wybierz funkcję modelu training-DL do etykietowania danych i trenowania przy użyciu metody przeciągnij i upuść. Przejdź do paska narzędzi Ogólne | Sztuczna inteligencja CiRA | Przeciągnij DeepTrain | Upuść DeepTrain na ekran (po prawej stronie).
      UWAGA: Aby uzyskać dodatkowe opcje, kliknij prawym przyciskiem myszy wybrane narzędzie i wykonaj odpowiednie funkcje: Kopiuj, Wytnij lub Usuń.
    2. Zaimportuj obrazy za pomocą ustawień narzędzia DeepTrain. Kliknij przycisk Załaduj obrazy i przejdź do katalogu obrazów. Oznacz obiekty, przytrzymując lewy przycisk myszy i nazywając wybrany obiekt. Dostosuj grubość prostokąta i rozmiar czcionki, klikając przycisk Ustawienia wyświetlania i Zapisz GT jako plik .gt w tym samym katalogu.
      UWAGA: Zapisz w razie potrzeby, aby uniknąć niepożądanych warunków, takich jak brak zasilania, automatyczne zamykanie programów i zawieszanie się w procesie etykietowania.
    3. Przed trenowaniem modelu rozwiń dane, aby zebrać wystarczające informacje przy użyciu czterech technik rozszerzenia: obrotu, kontrastu, szumu i rozmycia. Kliknij przycisk Ustawienia generacji, aby uzyskać dostęp do tej funkcji.
    4. Zainicjuj trenowanie modelu, klikając przycisk Trenowanie w narzędziu DeepTrain. Część szkoleniowa ma dwie podfunkcje: Generuj pliki szkoleniowe i Trenuj. W funkcji Generuj pliki szkoleniowe wybierz żądane modele, rozmiar partii i podziały. Kliknij przycisk Generuj, aby wygenerować dane i zapisać je w katalogu. W funkcji Train (Trenuj) wybierz następujące opcje: i) użyj innej wygenerowanej lokalizacji treningu dla warunków i kopii zapasowej, ii) użyj wstępnie utworzonych ciężarów do kontynuowania treningu lub iii) zastąp parametry dla bieżącego projektu treningu. Spowoduje to zaprojektowanie konfiguracji modelu i warunków trenowania.
      UWAGA: Czas procesu generowania zależy od rozmiaru pliku obrazu, wykorzystania rozszerzenia i dostępnego miejsca w pamięci.
    5. Po zakończeniu wszystkich niezbędnych konfiguracji rozpocznij trenowanie modelu, klikając przycisk Train (Trenuj). Pozwól programowi na ciągłe wykonywanie, oceniając straty treningowe i dostosowując wagę zestawu danych podczas procesu trenowania. Jeśli model osiągnie optymalną stratę, zapisz plik wytrenowanej masy w określonym katalogu, klikając przycisk Eksportuj.

3. Ocena modelu wykrywania obiektów

  1. Wybierz funkcję oceny modelu wykrywania obiektów do oceny modelu przy użyciu metody przeciągnij i upuść. Przejdź do paska narzędzi wtyczki | Oceniać | Przeciągnij EvalDetect | Upuść EvalDetect na ekran (po prawej stronie).
  2. Kliknij Ustawienia i poczekaj na trzy funkcje: Wykrywanie, Ocena i Wykres. Rozpocznij ocenę modelu, importując plik wytrenowanej wagi z katalogu (krok 2.2.5), klikając pozycję Załaduj konfigurację.
  3. W obszarze Funkcja wykrywania wybierz wartość niemaksymalnego tłumienia (NMS), aby zwiększyć dokładność, eliminując nadmiarowe wykrycia fałszywie dodatnie (FP). Program NMS usuwa zduplikowane wykrycia generowane przez model w celu zwiększenia niezawodności.
  4. Wykonaj następujące czynności w ramach funkcji Ocena:
    1. Zaimportuj obrazy testowe z katalogu plików obrazów, klikając Przeglądaj. Zaimportuj plik GT z katalogu, w którym został zapisany w kroku 2.2.2, klikając Załaduj GT.
    2. Wybierz wartość Przecięcie przez unię (IoU), aby ocenić dokładność określonego zestawu danych testu obrazu.
    3. Kliknij przycisk Ocena, aby ocenić model wykrywania w określonym katalogu. Po zakończeniu oceny wyniki zostaną automatycznie zapisane jako plik CSV w tym samym katalogu, posortowany według nazwy klasy. Ten plik CSV zawiera podstawowe parametry, takie jak wynik prawdziwie dodatni (TP), wynik fałszywie dodatni (FP), wynik fałszywie ujemny (FN), kompletność i precyzja dla każdej klasy.
  5. Aby wykreślić krzywą Precyzja-Kompletność (PR), wykonaj następujące kroki w funkcji Kreśl: Zaimportuj pliki CSV z katalogu poprzedniej sekcji (krok 3.4), klikając przycisk Przeglądaj. Wybierz klasy z listy i kliknij przycisk Drukuj, aby wyświetlić edytowalny obraz krzywej PR.
  6. Na koniec, aby zapisać obraz z wartościami AUC krzywej PR w wymaganym formacie obrazu w określonym katalogu, kliknij przycisk Zapisz obrazu.

4. Kadrowanie obrazu dla pojedynczego obiektu na obraz

  1. Przed przycięciem obrazów wykonaj następujące czynności:
    1. Zaimportuj obrazy z katalogu plików obrazów, uzyskując dostęp do ustawień narzędzia Slajd obrazu.
    2. Zaimportuj plik wytrenowanej masy (zapisany w kroku 2.2.8), uzyskując dostęp do ustawień narzędzia Deep Detect. Kliknij przycisk Config | przycisk +, wybierz backend (CUDA lub CPU), podaj nazwę, kliknij OK, wybierz katalog pliku wagi i kliknij Wybierz. W narzędziu Deep Detect wybierz parametry wykrywania (tłumienie progowe i niemaksymalne (nms)); parametry rysunku; parametry śledzenia; i parametry obszaru zainteresowania (ROI).
    3. Wybierz katalog, w którym zostaną zapisane przycięte obrazy, uzyskując dostęp do ustawień narzędzia Głębokie przycinanie. Kliknij przycisk Przeglądaj | wybierz katalog, w którym chcesz zapisać przycięte obrazy | kliknij przycisk Wybierz | wybierz format obrazu (JPG lub PNG) | włącz opcję Automatyczne zapisywanie.
  2. Kadruj obrazy, aby uzyskać pojedynczy obiekt na obraz w celu klasyfikacji i segmentacji obrazu. Aby przeprowadzić ten proces, użyj czterech narzędzi i nawiąż między nimi połączenia: przejdź do paska narzędzi Ogólne | Ogólne | Przycisk Uruchom. Następnie przejdź do Ogólny pasek narzędzi | Sztuczna inteligencja CiRA | Głębokie wykrywanie; następnie przejdź do Ogólny pasek narzędzi | Sztuczna inteligencja CiRA | Głęboka kadra. Na koniec przejdź do paska narzędzi Obraz | Akwizycja | Slajd obrazu.
  3. Po wprowadzeniu wszystkich niezbędnych ustawień rozpocznij proces przycinania obrazu, klikając narzędzie Uruchom przycisk.
  4. Uzyskaj nowy zestaw danych trenowania obrazów składający się z obrazów pojedynczych obiektów o rozmiarze 608 x 608.

5. Klasyfikacja obrazu jako trenowanie modelu

  1. Użyj przeciągania i upuszczania, aby wybrać funkcję trenowania modelu klasyfikacji obrazów na potrzeby trenowania danych. Przejdź do paska narzędzi Obraz | DeepClassif | Przeciągnij ClassifTrain | Upuść ClassifTrain na ekranie.
  2. Importowanie obrazów do trenowania modelu przy użyciu ustawień narzędzia ClassifTrain. Kliknij przycisk Otwórz folder i przejdź do żądanego katalogu obrazów. Przed treningiem rozwiń dane, klikając przycisk Augmentation, aby uzyskać więcej informacji przy użyciu technik takich jak Obrót, Kontrast, Przerzucanie (w poziomie i/lub w pionie), Szum i Rozmycie.
  3. Aby rozpocząć trenowanie modelu, kliknij przycisk GenTrain w narzędziu ClassifTrain. W obszarze funkcji GenTrain wybierz modele, rozmiar partii i podpodziały. Przypisz katalog, w którym ma zostać zapisany wygenerowany plik. Kliknij przycisk Generuj, aby kontynuować pracę z danymi do trenowania. W funkcji Train (Trenuj) zaznacz odpowiednie opcje: Kontynuuj trening z wagą domyślną lub wagą niestandardową.
    UWAGA: Proces generowania może zająć trochę czasu w zależności od takich czynników, jak rozmiar pliku obrazu, użycie rozszerzenia, równoważenie klas i dostępne miejsce w pamięci.
  4. Po zakończeniu wszystkich przygotowań zainicjuj trenowanie modelu, klikając przycisk Start . Pozwól programowi na ciągłe wykonywanie, oceniając straty treningowe i dostosowując wagę zestawu danych podczas procesu trenowania. Jeśli model osiągnie pożądany poziom strat, zapisz plik wytrenowanej masy w określonym katalogu, klikając przycisk Eksportuj.

6. Ocena modelu klasyfikacyjnego

  1. Wybierz funkcję oceny modelu klasyfikacji obrazów do oceny modelu przy użyciu metody przeciągnij i upuść. Przejdź do paska narzędzi wtyczki | Oceniać | Przeciągnij EvaluateClassif | Upuść EvaluateClassif na ekranie (po prawej stronie).
  2. Kliknij Ustawienia, aby uzyskać dostęp do dodatkowych funkcji w narzędziu EvaluateClassif, a mianowicie Evaluate i PlotROC.
  3. Aby rozpocząć ocenę modelu, kliknij przycisk Evaluate (Oceń) w narzędziu EvaluateClassif. Wykonaj następujące kroki w obszarze funkcji Oceń.
    1. Zaimportuj obrazy testowe z katalogu plików obrazu, klikając obraz folderu Załaduj . Zaimportuj plik wytrenowanej masy z katalogu (zapisanego w kroku 5.4), klikając Load Config (Załaduj konfigurację). Kliknij przycisk Start, aby ocenić model klasyfikacji.
    2. Po zakończeniu oceny zapisz oceniany plik jako CSV w określonym katalogu, klikając przycisk Eksportuj do CSV. Aby ocenić dane przy każdym progu, zapisz plik CSV z nazwami klas w określonym katalogu, klikając pozycję Uruchom wszystkie próg. Zapisany plik CSV zawiera parametry, takie jak Kompletność (wskaźnik wyników prawdziwie dodatnich), Wskaźnik wyników fałszywie dodatnich i Precyzja dla każdej klasy.
  4. Aby wykreślić krzywą charakterystyki operacyjnej odbiornika (ROC), kliknij przycisk PlotROC w narzędziu EvaluateClassif. Wykonaj następujące kroki w funkcji PlotROC.
    1. Zaimportuj pliki CSV z katalogu uzyskanego wcześniej, klikając Przeglądaj. Sprawdź zaimportowaną listę klas i wybierz każdą etykietę klasy, aby wykreślić krzywą ROC.
    2. Kliknij przycisk Drukuj, aby wyświetlić krzywą ROC jako obraz. Wprowadź żądane zmiany, aby dostosować właściwości obrazu, w tym rozmiar czcionki, kolory czcionek, zaokrąglenie liczby dziesiętnej, style linii i kolory linii.
  5. Na koniec zapisz obraz krzywej ROC z wartościami AUC w wymaganym formacie obrazu w określonym katalogu, klikając przycisk Zapisz.

7. Testowanie procesu za pomocą aplikacji CiRA CORE

  1. Wykrywanie obiektów jako testowanie modelu
    1. Aby przeprowadzić testowanie modelu, użyj czterech narzędzi i nawiąż połączenia między nimi. Przejdź do paska narzędzi Ogólne | Ogólne | Przycisk Uruchom. Następnie, Pasek narzędzi Ogólne | Ogólne | Debugowanie. Następnie kliknij Ogólne pasek narzędzi | Sztuczna inteligencja CiRA | DeepDetect, a na końcu pasek narzędzi Obraz | Akwizycja | Slajd obrazu.
    2. Przed przetestowaniem obrazów wykonaj następujące kroki:
      1. Zaimportuj obrazy testowe z katalogu plików obrazów, klikając opcję Ustawienia w narzędziu Slajd obrazu.
      2. Zaimportuj zapisany plik wytrenowanej wagi z kroku 2.2.8, klikając opcję Ustawienia w narzędziu DeepDetect. Kliknij przycisk Config, a następnie przycisk +, wybierz backend (CUDA lub CPU), podaj nazwę, kliknij OK, wybierz katalog pliku wagi i kliknij Wybierz. W narzędziu DeepDetect wybierz parametry wykrywania (Próg i nms), parametry rysowania, parametry śledzenia i parametry ROI.
      3. Wyświetl wyniki obrazu testowego, klikając funkcję obrazu w narzędziu do debugowania.
    3. Na koniec sprawdź przewidywane wyniki dla każdego obrazu, klikając przycisk Uruchom przycisk w narzędziu Uruchom przycisk.
  2. Klasyfikacja obrazu jako testowanie modelu
    1. Aby przeprowadzić testowanie modelu, użyj czterech narzędzi i nawiąż połączenia między nimi. Przejdź do paska narzędzi Ogólne | Ogólne | Przycisk Biegnij; następnie Pasek narzędzi Ogólne | Debugowanie. Następnie przejdź do paska narzędzi Obraz | Akwizycja | ImageSlide, a na końcu pasek narzędzi Obraz | DeepClassif | DeepClassif.
    2. Przed przetestowaniem obrazów wykonaj następujące kroki:
      1. Zaimportuj obrazy testowe z katalogu plików obrazów, klikając opcję Ustawienia w narzędziu Slajd obrazu.
      2. Zaimportuj zapisany plik z wytrenowaną balastem z sekcji 5.5, klikając opcję Ustawienia w narzędziu DeepClassif. Kliknij przycisk Config | przycisk + | wybierz backend (CUDA lub CPU) | Podaj nazwę | kliknij przycisk OK | Wybierz katalog plików wagi | kliknij przycisk Wybierz. W narzędziu DeepClassif wybierz parametry klasyfikacji (Próg i liczba przewidywań najwyższej klasy), parametry mapy przewodnika (próg, alfa, beta i mapa kolorów) oraz różne parametry na mapie kolorów.
      3. Wyświetl wyniki obrazu testowego, klikając funkcję obrazu w narzędziu do debugowania.
    3. Na koniec sprawdź przewidywane wyniki dla każdego obrazu, klikając przycisk Uruchom przycisk w narzędziu Uruchom przycisk.

8. Hybryda (wykrywanie i klasyfikacja) jako testowanie modelu

  1. Aby przeprowadzić to testowanie modelu, użyj czterech narzędzi i nawiąż połączenia między nimi. Przejdź do paska narzędzi Ogólne | Ogólne | PrzyciskBiegać. Następnie, Pasek narzędzi Ogólne | Ogólne | Debugowanie. Następnie pasek narzędzi Obraz | Akwizycja | ImageSlide, a na końcu pasek narzędzi Obraz | Głęboki kompozyt | DeepD->C.
  2. Przed przetestowaniem obrazów wykonaj następujące kroki: Zaimportuj obrazy testowe z katalogu plików obrazów, klikając opcję Ustawienia w narzędziu Slajd obrazu. Zaimportuj dwa zapisane pliki z wytrenowaną wagą z sekcji 2.1.5 i sekcji 4.4, klikając opcję Ustawienia w narzędziu DeepD->C:
    1. Dla funkcji Wykryj kliknij przycisk Config |+ przycisk, wybierz backend (CUDA lub CPU) | podaj nazwę | kliknij OK | wybierz katalog pliku wagi | kliknij przycisk Wybierz. W funkcji Wykryj wybierz parametry wykrywania (Próg i nms), parametry rysowania, parametry śledzenia i parametry ROI.
    2. Dla funkcji Classif kliknij przycisk Config |+, wybierz backend (CUDA lub CPU) | podaj nazwę | kliknij OK | wybierz katalog plików wagi | kliknij Wybierz. W ramach funkcji Classif wybierz parametry klasyfikacji (Próg i liczba przewidywań najwyższej klasy) oraz parametry mapy przewodnika (próg, alfa, beta i mapa kolorów).
  3. Wyświetl wyniki obrazu testowego, klikając funkcję obrazu w narzędziu do debugowania. Na koniec sprawdź przewidywane wyniki dla każdego obrazu, klikając przycisk Uruchom przycisk w narzędziu Uruchom przycisk.

9. Pięciokrotna walidacja krzyżowa

UWAGA: Aby skuteczniej zweryfikować działanie proponowanego modelu, stosuje się K-krotną walidację krzyżową.

  1. Podziel zestaw danych na pięć sekcji, odpowiadających pięciu krotnym walidacji krzyżowej. Podczas każdej iteracji trenowania i testowania modelu użyj jednej sekcji jako zestawu walidacji do testowania, a pozostałe cztery sekcje do trenowania. Powtórz ten proces pięć razy, przy czym każde zagięcie jest używane jako zestaw walidacji raz.
  2. Dla fałd od 1 do 5:
    1. Powtórz sekcję 5, aby wytrenować model przy użyciu danych treningowych z czterech krotności.
    2. Powtórz sekcję 7.2, aby przetestować model przy użyciu pozostałego zagięcia jako zestawu testowego.

10. Ocena modelu

  1. Macierz pomyłek
    1. Na podstawie wyników testu, cztery warunki zostaną spełnione w następujący sposób:
      1. True Positive (TP): Gdy obraz wejściowy jest prawdziwy, a przewidywanie jest również prawdziwe.
      2. Wynik fałszywie dodatni (FP): gdy obraz wejściowy jest fałszywy, ale przewidywanie jest prawdziwe.
      3. Fałszywie ujemny (FN): gdy obraz wejściowy ma wartość true, ale przewidywanie jest fałszywe.
      4. True Negative (TN): Gdy obraz wejściowy jest fałszywy, a przewidywanie jest również fałszywe.
    2. Korzystając z tych czterech warunków, oceń wydajność za pomocą macierzy pomyłek.
  2. Oceny wydajności
    1. Najczęściej używanymi metrykami wydajności klasyfikacji są dokładność, precyzja, kompletność, swoistość i wartości wyniku F1. Oblicz wszystkie metryki oceny w równaniach (1-6) używanych do oceny wydajności modelu na podstawie wartości z macierzy pomyłek.
      Wzór na dokładność dla wyników klasyfikacji; równanie matematyczne; Zmienne TP, TN, FP, FN. (1)
      Diagram równania formuły precyzyjnej do analizy danych w uczeniu maszynowym i klasyfikacji. (2)
      Wzór na przypomnienie: TP / (TP + FN), równanie, metryka analizy danych, precyzja i ocena przywołania. (3)
      Wzór na swoistość, równanie do obliczania dokładności testu w diagnostyce medycznej. (4)
      równanie formuły wyniku F1; Metryka w analizie statystycznej, używana do oceny precyzji i kompletności. (5)
      Wzór na współczynnik błędnej klasyfikacji (FP+FN)/(TP+TN+FP+FN), równanie do analizy błędów. (6)
  3. Krzywa ROC
    UWAGA: Krzywa ROC jest miarą wydajności dla problemów z klasyfikacją przy różnych ustawieniach progowych. Obszar pod krzywą ROC (AUC) reprezentuje stopień lub miarę rozdzielności, podczas gdy ROC jest krzywą prawdopodobieństwa.
    1. Krzywa ROC jest dwuwymiarowym wykresem z wartościami wskaźnika wyników prawdziwie dodatnich (TPR) i wskaźników wyników fałszywie dodatnich (FPR) wykreślonymi odpowiednio na osiach Y i X. Skonstruuj krzywe ROC, korzystając z wartości TPR i TFR uzyskanych z macierzy konfuzji. Wartość TPR jest taka sama jak czułość; obliczyć wartość FPR za pomocą równania (7).
      Wzór na wskaźnik wyników fałszywie dodatnich, FPR=FP/(FP+TN), analiza statystyczna, równanie. (7)
    2. Po uzyskaniu wartości TPR i FPR wykreśl krzywą ROC przy użyciu narzędzia internetowego typu open source Jupyter Notebook w środowisku języka Python. AUC jest skutecznym sposobem oceny wydajności proponowanego modelu w analizie krzywej ROC.
  4. Krzywa PR
    1. Krzywa PR służy do oceny modeli, mierząc obszar pod krzywą PR. Skonstruuj krzywą PR, wykreślając precyzję i kompletność modeli przy użyciu funkcji progu ufności modelu. Ponieważ krzywa PR jest również wykresem dwuwymiarowym, wykreśl wartość Recall na osi x i Precyzja na osi y.
    2. Wykreśl krzywą żądania ściągnięcia, taką jak krzywa ROC, przy użyciu narzędzia internetowego Jupyter Notebook typu open source w środowisku języka Python. Obszar pod wynikiem krzywej precyzji i kompletności (AUC) jest również pomocny w klasyfikacji wieloetykietowej.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

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

W tym badaniu, hybrydowe algorytmy głębokiego uczenia zostały zaproponowane, aby pomóc automatycznie przewidzieć pozytywność próbki krwi z infekcją pasożytem trypanosom. Zarchiwizowane, poplamione krwią filmy Giemsy zostały posortowane w celu zlokalizowania i sklasyfikowania pasożytów i niepasożytów przy użyciu algorytmu wykrywania obiektów opartego na sieci neuronowej szkieletu darknetu. W ramach dowolnego prostokątnego wyniku przewidywania pola uzyskanego przez poprzedni model, opracowano najlepiej dobrany model klasyf...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

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

Obserwacja mikroskopowa w kierunku zakażenia pierwotniakami Trypanosoma jest wczesna i powszechnie stosowana, zwłaszcza podczas nadzoru w odległych obszarach, gdzie brakuje wykwalifikowanych techników oraz pracochłonnych i czasochłonnych procesów, które są przeszkodą w terminowym zgłaszaniu organizacji zdrowia. Chociaż techniki biologii molekularnej, takie jak immunologia i reakcja łańcuchowa polimerazy (PCR), zostały zatwierdzone jako metody o wysokiej czułości w celu wspierania skuteczności wyników laboratoryjnych, do ...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

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

Wszyscy autorzy nie ujawniają informacji finansowych ani nie pozostają w konflikcie interesów.

Podziękowania

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

Ta praca (Grant badawczy dla nowego uczonego, nr grantu. RGNS 65 - 212) był wspierany finansowo przez Biuro Stałego Sekretarza Ministerstwa Szkolnictwa Wyższego, Nauki, Badań i Innowacji (OPS MHESI), Tajlandzkie Badania Naukowe i Innowacje (TSRI) oraz Instytut Technologii Króla Mongkuta w Ladkrabang. Jesteśmy wdzięczni Narodowej Radzie ds. Badań Naukowych Tajlandii (NRCT) [NRCT5-RSA63001-10] za sfinansowanie projektu badawczego. Projekt M.K. został sfinansowany przez Tajlandzki Fundusz Badań i Innowacji Naukowych Uniwersytetu Chulalongkorn. Dziękujemy również College of Advanced Manufacturing Innovation, King Mongkut's Institute of Technology w Ladkrabang, który dostarczył platformę głębokiego uczenia i oprogramowanie wspierające projekt badawczy.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
Darknet19, Darknet53 i Densenet201Gao Huang, Z. L., Laurens van der Maaten. Gęsto połączone sieci konwolucyjne. arXiv:1608.06993 [cs. CV]. (2016)https://github.com/liuzhuang13/DenseNet Głęboki konwolucyjny model sieci neuronowej, który może funkcjonować do  klasyfikacja
Nazwa ogólna: model YOLO/model detekcji?
Model Olympus CX31 CX31RRBSFA  Olympus, Tokio, JaponiaSN 4G42178 Mikroskop świetlny 
Olympus DP21-SAL U-TV0.5XC-3  Olympus, Tokio, JaponiaSN 3D03838Aparat cyfrowy
Nazwa ogólna: Modele klasyfikacyjne/ gęsto CNNs
Window 10MicrosoftWindow 10System operacyjny w komputerach
YOLO v4-tiny Naing, KM i wsp. Automatyczne rozpoznawanie produktów pasożytniczych w badaniu kału przy użyciu podejścia do wykrywania obiektów. PeerJ Comput Sci. 8 e1065, (2022).https://git.cira-lab.com/users/sign_inGłęboki konwolucyjny model sieci neuronowej, który może działać zarówno do lokalizacji, jak i klasyfikacji 
https://git.cira-lab.com/users/sign_in

Bibliografia

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

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE

Poproś o pozwolenie

Tagi

Identyfikacja trypanosom wdetekcja obiekt wklasyfikacja obraz wobrazy mikroskopoweTrypanosoma cruziTrypanosoma bruceiTrypanosoma evansirozpoznawanie wzorc wnadz r nad chorobami

Powiązane artykuły