Subskrypcja JoVE jest wymagana do oglądania tego materiału. Zaloguj się lub rozpocznij bezpłatny okres próbny.

Artykuł metodologiczny

Doskonała automatyczna identyfikacja pasożytów trypanosomów dzięki zastosowaniu hybrydowego modelu głębokiego uczenia

3.1K wyświetleń

⸱

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

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

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

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

Zarchiwizowane rozmazy krwi oraz projekt badania zostały zatwierdzone przez Komitet ds. Bezpieczeństwa Biologicznego, Komitet ds. Opieki i Wykorzystania Zwierząt Wydziału Nauk Weterynaryjnych Uniwersytetu Chulalongkorn (IBC nr 2031033 oraz IACUC nr 1931027) oraz Komisję Etyki Badań z Udziałem Ludzi Instytutu Technologicznego Króla Mongkuta w Ladkrabang (EC-KMITL_66_014).

1. Przygotowanie surowych obrazów

  1. Przygotowanie zbioru danych obrazowych
    1. Należy pozyskać co najmniej 13 pozytywnych preparatów z zakażeniami pasożytniczymi krwi, w tym T. brucei, T. cruzi oraz T. evansi, potwierdzonych przez ekspertów parasitologów. Rozdzielić 13 preparatów na zbiór treningowy (10 preparatów) i testowy (trzy preparaty).
    2. Należy wykonać zdjęcia opisanych powyżej cienkich rozmazów krwi barwionych metodą Giemsy przy użyciu mikroskopu świetlnego z obiektywem imersyjnym i kamerą cyfrową. Należy uzyskać obrazy zawierające wiele obiektów trypomastigotów wszystkich trzech gatunków pasożytów podczas badania mikroskopowego; należy szukać smukłego kształtu, długich ogonów, błony falistej oraz kinetoplastu na końcu przednim.
      UWAGA: Wykonanie zarówno grubych, jak i cienkich rozmazów zwiększyłoby wykrywalność trypanosomozy w fazie ostrej31. Pobieranie krwi przez nakłucie palca jest zalecane przez WHO32. Niemniej jednak, cienkie rozmazy są skuteczniejsze w identyfikacji Trypanosoma cruzi oraz innych gatunków, ponieważ organizmy te mają tendencję do deformacji w grubych rozmazach33. W związku z tym, w niniejszym badaniu wykorzystano obrazy cienkich rozmazów krwi, aby zachować odpowiednią morfologię pasożytów.
    3. Wszystkie obrazy należy przechowywać w folderze dedykowanym dla danego pasożyta z następującymi specyfikacjami: 1,600 x 1,200 pikseli, głębia 24 bity i format pliku JPG. Obrazy należy podzielić na zbiory treningowy i testowy w stosunku ok. 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 podzielono na trening (560 obrazów) i testowanie (90 obrazów) modelu.
    4. Obszar zainteresowania (ROI) należy zdefiniować jako prostokątną etykietę dla dwóch klas: trypanosomy i nietrypanosomy. Należy użyć modułu automatycznego przycinania, aby wyciąć wszystkie wykryte obrazy za pomocą dobrze wytrenowanego modelu detekcji obiektów. Moduł automatycznego przycinania jest modułem opracowanym w wewnętrznym programie CiRA CORE (patrz Tabela materiałów). Do trenowania klasyfikacji obiektów należy zebrać po jednym obiekcie na obraz.
      UWAGA: W niniejszej pracy 1,017 obrazów podzielono na trening (892 obrazy) i testowanie (126 obrazów). Trenowanie modelu przeprowadzono z czterema etykietowanymi klasami, obejmującymi leukocyty, T. brucei, T. cruzi oraz T. evansi.

2. Proces szkolenia z wykorzystaniem wewnętrznej platformy CiRA CORE

  1. Rozpoczęcie nowego projektu
    1. Otwórz aplikację CiRA CORE z pulpitu komputera (patrz Tabela materiałów) i utwórz nowy projekt, dwukrotnie klikając ikonę programu.
    2. Wybierz ikonę operacji na lewym pionowym pasku narzędzi, aby wybrać wymagane narzędzia.
  2. Trenowanie modelu detekcji obiektów
    1. Wybierz funkcję training-DL model do etykietowania danych i trenowania, korzystając z metody przeciągnij i upuść. Przejdź do sekcji General toolbar | CiRA AI | Drag DeepTrain | Drop DeepTrain na ekranie (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, korzystając z ustawień narzędzia DeepTrain. Kliknij przycisk Load images i przejdź do katalogu z obrazami. Oznacz obiekty, przytrzymując lewy przycisk myszy i nazywając wybrany obiekt. Dostosuj grubość linii prostokąta oraz rozmiar czcionki, klikając przycisk Display Setting, a następnie zapisz Save GT jako plik .gt w tym samym katalogu.
      UWAGA: Zapisuj postępy w miarę potrzeb, aby uniknąć niepożądanych zdarzeń, takich jak przerwy w zasilaniu, automatyczne zamknięcia programu czy zawieszenie procesu etykietowania.
    3. Przed trenowaniem modelu rozszerz zbiór danych, aby zebrać wystarczające informacje, stosując cztery techniki augmentacji: Rotation, Contrast, Noise oraz Blur. Kliknij przycisk Gen Setting, aby uzyskać dostęp do tej funkcji.
    4. Rozpocznij trenowanie modelu, klikając przycisk Training w narzędziu DeepTrain. Sekcja training part posiada dwie podfunkcje: Generate Training Files oraz Train. W funkcji Generate Training Files wybierz żądane modele, rozmiar partii (batch size) oraz podziały. Kliknij przycisk Generate, aby wygenerować dane i zapisać je w katalogu. W funkcji Train wybierz następujące opcje: i) use another generated training location dla celów konfiguracji i kopii zapasowej, ii) use prebuilt weights dla kontynuacji trenowania lub iii) override parameters dla bieżącego projektu trenowania. Pozwoli to na zaprojektowanie konfiguracji modelu i warunków trenowania.
      UWAGA: Czas procesu generowania zależy od rozmiaru plików obrazów, zastosowania augmentacji oraz dostępnej przestrzeni w pamięci.
    5. Po zakończeniu wszystkich niezbędnych konfiguracji rozpocznij trenowanie modelu, klikając przycisk Train. Pozostaw program w trybie ciągłego wykonywania, oceniając stratę treningową (training loss) i dostosowując wagę zbioru danych podczas procesu trenowania. Jeśli model osiągnie optymalną wartość straty, zapisz wytrenowany plik wag w określonym katalogu, klikając przycisk Export.

3. Ocena modelu detekcji obiektów

  1. Wybierz ewaluacja modelu detekcji obiektów funkcja do ewaluacji modelu przy użyciu przeciągnij i upuść metoda. Przejdź do Wtyczka pasek narzędzi | Oceń | Przeciągnij EvalDetect | Upuść EvalDetect na ekranie (po prawej stronie).
  2. Kliknij w Ustawienia i poczekaj na trzy funkcje: Wykrywanie, Ocena, i WykresRozpocznij ocenę modelu, importując przeszkolony plik wag z katalogu (krok 2.2.5), klikając w Wczytaj konfigurację.
  3. Pod Wykrywanie funkcja, wybierz wartość tłumienia nielokalnych maksimów (NMS) aby zwiększyć dokładność poprzez wyeliminowanie nadmiarowych fałszywych detekcji dodatnich (FP). NMS usuwa powielone detekcje wygenerowane przez model w celu poprawy niezawodności.
  4. Postępuj zgodnie z poniższymi krokami w ramach Ocena funkcja:
    1. Importuj obrazy testowe z katalogu plików obrazów, klikając w PrzeglądajZaimportuj plik GT z katalogu, w którym został zapisany w kroku 2.2.2, klikając w Załaduj GT.
    2. Wybierz wartość Intersection over Union (IoU) w celu oceny dokładności na specyficznym zbiorze danych testowych obrazów.
    3. Kliknij Ocena przycisk do oceny modelu detekcji w określonym katalogu. Po zakończeniu ewaluacji wyniki zostaną automatycznie zapisane w tym samym katalogu jako plik CSV, posortowany według nazw klas. Plik CSV ten dostarczy kluczowych parametrów, takich jak prawdziwie dodatni (TP), fałszywie dodatni (FP), fałszywie ujemny (FN), czułość (Recall)i Precyzja dla każdej klasy.
  5. Aby wykreślić Krzywa precyzji i pełności (PR)wykonaj następujące kroki zgodnie z Wykres funkcja: Importuj pliki CSV z katalogu z poprzedniej sekcji (krok 3.4), klikając w PrzeglądajWybierz klasy z listy i kliknij przycisk Wykres przycisk wyświetlający edytowalny obraz krzywej PR.
  6. Na koniec, aby zapisać obraz z wartościami AUC dla krzywej PR w wymaganym formacie obrazu w określonym katalogu, należy kliknąć w Zapisz przycisk obrazu

4. Wycinanie obrazu dla pojedynczego obiektu na zdjęcie

  1. Przed przycięciem obrazów należy wykonać następujące czynności:
    1. Zaimportuj obrazy z katalogu plików obrazów, przechodząc do ustawień Narzędzie do przesuwania obrazów.
    2. Zaimportuj plik z wytrenowanymi wagami (zapisany w kroku 2.2.8), wchodząc w ustawienia Deep Detect narzędzie. Kliknij w Konfiguracja przycisk | + przycisk, wybierz zaplecze systemowe (CUDA lub procesor (CPU)), dostarczyć nazwa, kliknij Proszę podać tekst źródłowy do tłumaczenia.wybrać katalog plików wag i kliknąć WybierzW obrębie Deep Detect narzędzie, wybierz parametry detekcji (próg i tłumienie nienależących do maksimów (nms)); rysunek parametry; śledzenie parametry; oraz obszar zainteresowania (ROI) parametry
    3. Wybierz katalog, w którym zostaną zapisane przycięte obrazy, przechodząc do ustawień Głębokie kadrowanie narzędzie. Kliknij Przeglądaj | wybierz katalog do zapisania przyciętych obrazów | kliknij Wybierz | zaznacz format obrazu (jpg lub png) | włącz ten Opcja autozapisu.
  2. Przytnij obrazy, aby uzyskać jeden obiekt na obraz w celu klasyfikacji i segmentacji obrazów. Aby przeprowadzić ten proces, wykorzystaj cztery narzędzia i ustanów połączenia między nimi: przejdź do Ogólny pasek narzędzi | Ogólne | Przycisk UruchomNastępnie przejdź do Ogólny pasek narzędzi | CiRA AI | DeepDetect; następnie przejść do Ogólny pasek narzędzi | CiRA AI | DeepCropNa koniec przejdź do Pasek narzędzi obrazu | Akwizycja | Slajd obrazu.
  3. Po wprowadzeniu wszystkich niezbędnych ustawień należy rozpocząć proces przycinania obrazu, klikając w Przycisk Uruchom narzędzie
  4. Należy pozyskać nowy zestaw danych treningowych obrazów, składający się z obrazów pojedynczych obiektów o rozmiarze 608 x 608.

5. Klasyfikacja obrazów jako trenowanie modelu

  1. Użyj funkcji przeciągnij i upuść, aby wybrać funkcję treningu modelu klasyfikacji obrazów do trenowania danych. Przejdź do sekcji Pasek narzędzi obrazów | DeepClassif | Przeciągnij ClassifTrain | Upuść ClassifTrain na ekranie.
  2. Importuj obrazy do treningu modelu, korzystając z ustawień narzędzia ClassifTrain. Kliknij przycisk Otwórz folder i przejdź do żądanego katalogu z obrazami. Przed rozpoczęciem treningu zwiększ ilość danych, klikając przycisk Augmentacja, aby uzyskać więcej informacji na temat technik takich jak Rotacja, Kontrast, Odbicie lustrzane (poziome i/lub pionowe), Szum oraz Rozmycie.
  3. Aby rozpocząć trening modelu, kliknij przycisk GenTrain w narzędziu ClassifTrain. W funkcji GenTrain wybierz modele, rozmiar partii (batch size) oraz podziały. Przypisz katalog do zapisu wygenerowanego pliku. Kliknij przycisk Generuj, aby przejść do przetwarzania danych treningowych. W funkcji Train zaznacz odpowiednie opcje: Kontynuuj trening z domyślnymi wagami lub wagami niestandardowymi.
    UWAGA: Proces generowania może zająć dużo czasu w zależności od czynników takich jak rozmiar plików obrazów, zastosowana augmentacja, balansowanie klas oraz dostępna przestrzeń w pamięci.
  4. Po zakończeniu wszystkich przygotowań uruchom trening modelu, klikając przycisk Start. Pozostaw program do ciągłego działania, aby oceniał stratę treningową (training loss) i dostosowywał wagi zbioru danych w trakcie procesu uczenia. Jeśli model osiągnie pożądany poziom straty, zapisz plik z wytrenowanymi wagami w wskazanym katalogu, klikając przycisk Export.

6. Ewaluacja modelu klasyfikacji

  1. Wybierz funkcję image classification model evaluation (ewaluacja modelu klasyfikacji obrazów) w celu oceny modelu za pomocą metody przeciągnij i upuść. Przejdź do sekcji Plugin toolbar | Evaluate | Drag EvaluateClassif | Drop EvaluateClassif na ekranie (po prawej stronie).
  2. Kliknij Setting , aby uzyskać dostęp do dodatkowych funkcji w narzędziu EvaluateClassif , a mianowicie Evaluate oraz PlotROC.
  3. Aby rozpocząć ewaluację modelu, kliknij przycisk Evaluate w narzędziu EvaluateClassif . W ramach funkcji Evaluate wykonaj następujące kroki:
    1. Zaimportuj obrazy testowe z katalogu plików obrazów, klikając Load folder image. Zaimportuj wyeksportowany plik wag z katalogu (zapisany w kroku 5.4), klikając Load Config. Kliknij przycisk Start , aby przeprowadzić ewaluację modelu klasyfikacji.
    2. Po zakończeniu ewaluacji zapisz plik z wynikami w formacie CSV w określonym katalogu, klikając przycisk Export to CSV. Aby przeprowadzić ewaluację danych dla każdego progu, zapisz plik CSV z nazwami klas w określonym katalogu, klikając Start all threshold. Zapisany plik CSV zawiera takie parametry jak Recall (True Positive Rate), False Positive Rate oraz Precision dla każdej klasy.
  4. Aby wykreślić krzywą charakterystyki operacyjnej odbiornika (ROC), kliknij przycisk PlotROC w narzędziu EvaluateClassif . W ramach funkcji PlotROC wykonaj następujące kroki:
    1. Zaimportuj wcześniej uzyskane pliki CSV z katalogu, klikając Browse. Przejrzyj zaimportowaną listę klas i zaznacz każdą etykietę klasy, aby wykreślić krzywą ROC.
    2. Kliknij przycisk Plot , aby zwizualizować krzywą ROC w formie obrazu. Wprowadź żądane poprawki, aby dostosować właściwości obrazu, w tym rozmiar czcionki, kolory czcionek, zaokrąglenie liczb dziesiętnych, style linii oraz kolory linii.
  5. Na koniec zapisz obraz krzywej ROC wraz z wartościami AUC w wymaganym formacie graficznym w określonym katalogu, klikając przycisk Save .

7. Testowanie procesu za pomocą aplikacji CiRA CORE

  1. Detekcja obiektów jako testowanie modelu
    1. Aby przeprowadzić testowanie modelu, należy wykorzystać cztery narzędzia i ustanowić między nimi połączenia. Przejdź do Pasek narzędzi ogólnych | General | Button Run. Następnie do Pasek narzędzi ogólnych | General | Debug. Po tym kliknij Pasek narzędzi ogólnych | CiRA AI | DeepDetect, a na koniec Pasek narzędzi obrazu | Acquisition | ImageSlide.
    2. Przed testowaniem obrazów wykonaj następujące kroki:
      1. Zaimportuj obrazy testowe z katalogu plików obrazów, klikając opcję Setting w narzędziu Image Slide.
      2. Zaimportuj zapisany plik z wytrenowanymi wagami z kroku 2.2.8, klikając opcję Setting w narzędziu DeepDetect . Kliknij przycisk Config , następnie przycisk +, wybierz backend (CUDA lub CPU), podaj nazwę, kliknij OK, wybierz katalog plików wag i kliknij Choose. W narzędziu DeepDetect wybierz parametry detekcji (Threshold oraz nms), parametry rysowania, parametry śledzenia oraz parametry ROI.
      3. Wyświetl wyniki obrazów testowych, klikając funkcję image w narzędziu Debug .
    3. Na koniec sprawdź przewidziane wyniki dla każdego obrazu, klikając przycisk Run w narzędziu Button Run.
  2. Klasyfikacja obrazów jako testowanie modelu
    1. Aby przeprowadzić testowanie modelu, należy wykorzystać cztery narzędzia i ustanowić między nimi połączenia. Przejdź do Pasek narzędzi ogólnych | General | Button Run; następnie do Pasek narzędzi ogólnych | Debug. Po tym przejdź do Pasek narzędzi obrazu | Acquisition | ImageSlide, a na koniec do Pasek narzędzi obrazu | DeepClassif | DeepClassif.
    2. Przed testowaniem obrazów wykonaj następujące kroki:
      1. Zaimportuj obrazy testowe z katalogu plików obrazów, klikając opcję Setting w narzędziu Image Slide .
      2. Zaimportuj zapisany plik z wytrenowanymi wagami z sekcji 5.5, klikając opcję Setting w narzędziu DeepClassif . Kliknij przycisk Config | przycisk + | wybierz backend (CUDA lub CPU) | podaj nazwę | kliknij OK | wybierz katalog plików wag | kliknij Choose. W narzędziu DeepClassif wybierz parametry klasyfikacji (Threshold oraz liczba najlepszych przewidywanych klas), parametry Mapy prowadzącej (Guide map) (threshold, alpha, beta oraz mapa kolorów) oraz różne parametry w mapie kolorów.
      3. Wyświetl wyniki obrazów testowych, klikając funkcję image w narzędziu Debug .
    3. Na koniec sprawdź przewidziane wyniki dla każdego obrazu, klikając przycisk Run w narzędziu Button Run .

8. Model hybrydowy (detekcja i klasyfikacja) jako testowanie modelu

  1. Aby przeprowadzić testowanie tego modelu, należy wykorzystać cztery narzędzia i ustanowić połączenia między nimi. Przejdź do Pasek narzędzi ogólnych | Ogólne | Przycisk UruchomNastępnie, Ogólny pasek narzędzi | Ogólne | DebugowanieNastępnie, Pasek narzędzi obrazu | Akwizycja | Slajd obrazui na koniec, Pasek narzędzi obrazu | DeepComposite | DeepD->C.
  2. Przed przetestowaniem obrazów wykonaj następujące kroki: zaimportuj obrazy testowe z katalogu plików obrazów, klikając w Warunki przeprowadzania badania opcja w Slajd obrazu narzędzia. Zaimportuj dwa zapisane pliki z wytrenowanymi wagami z sekcji 2.1.5 oraz sekcji 4.4, klikając w Ustawienia opcja w DeepD->C narzędzie:
    1. Dla Wykrywać funkcja, kliknij w Konfiguracja przycisk |+ przycisk wybierz definitywny przedimek (ang. „the”) backend (CUDA lub procesor) | dostarczyć nazwa kliknij OK | wybierz katalog plików wag | kliknij WybierzPod Wykrywaj funkcja, wybierz wykrywanie parametry (Próg i nms), rysunek parametry, śledzenie parametry i ROI (obszar zainteresowania) parametry
    2. Dla Klasyfikuj funkcja, kliknij w Konfiguracja przycisk |+ przycisk, wybierz the backend (CUDA lub procesor (CPU)) | dostarczyć nazwa kliknij OK | wybierz katalog plików z wagami | kliknij WybierzPod Klasyfikacja funkcja, wybierz klasyfikacja parametry (Próg i liczba predykcji najwyższej klasy) oraz Mapa przewodnia parametry (próg, alfa, beta, i mapa kolorów).
  3. Wyświetl wyniki obrazowania testowego, klikając w obraz funkcja w Debugowanie narzędzia. Na koniec sprawdź przewidywane wyniki dla każdego obrazu, klikając w Uruchom przycisk na Przycisk Uruchom narzędzie

9. Pięciokrotna walidacja krzyżowa

UWAGA: Aby skuteczniej zwalidować działanie proponowanego modelu, zastosowano K-krotną walidację krzyżową.

  1. Podziel zestaw danych na pięć sekcji, odpowiadających pięciu krotnościom walidacji krzyżowej. Podczas każdej iteracji trenowania i testowania modelu wykorzystaj jedną sekcję jako zestaw walidacyjny do testowania, a pozostałe cztery sekcje do trenowania. Powtórz ten proces pięć razy, tak aby każda krotność została raz wykorzystana jako zestaw walidacyjny.
  2. Dla krotności od 1 do 5:
    1. Powtórz procedurę z sekcji 5, aby wytrenować model przy użyciu danych treningowych z czterech krotności.
    2. Powtórz procedurę z sekcji 7.2, aby przetestować model, wykorzystując pozostałą krotność jako zestaw testowy.

10. Ewaluacja modelu

  1. Macierz pomyłek
    1. W oparciu o wyniki testów wystąpią cztery następujące warunki:
      1. Prawdziwie dodatni (TP): gdy obraz wejściowy jest prawdziwy i predykcja również jest prawdziwa.
      2. Fałszywie dodatni (FP): gdy obraz wejściowy jest fałszywy, ale predykcja jest prawdziwa.
      3. Fałszywie ujemny (FN): gdy obraz wejściowy jest prawdziwy, ale predykcja jest fałszywa.
      4. Prawdziwie ujemny (TN): gdy obraz wejściowy jest fałszywy i predykcja również jest fałszywa.
    2. Wykorzystując te cztery warunki, należy ocenić wydajność za pomocą macierzy pomyłek.
  2. Ocena wydajności
    1. Najczęściej stosowanymi metrykami wydajności klasyfikacji są dokładność (accuracy), precyzja (precision), czułość (recall), swoistość (specificity) oraz wartości F1-score. Należy obliczyć wszystkie metryki oceny według równań (1-6) służących do oceny wydajności modelu, korzystając z wartości z macierzy pomyłek.
      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. Krzywa ROC
    UWAGA: Krzywa ROC jest miarą wydajności dla problemów klasyfikacji przy różnych ustawieniach progu. Pole pod krzywą ROC (AUC) reprezentuje stopień lub miarę rozdzielności, podczas gdy ROC jest krzywą prawdopodobieństwa.
    1. Krzywa ROC jest wykresem dwuwymiarowym, na którym wartości wskaźnika prawdziwie dodatnich (TPR) i wskaźnika fałszywie dodatnich (FPR) naniesiono odpowiednio na osie Y i X. Należy sporządzić krzywe ROC, używając wartości TPR i FPR uzyskanych z macierzy pomyłek. Wartość TPR jest tożsama z czułością; wartość FPR należy obliczyć za pomocą równania (7).
      figure-protocol-7    (7)
    2. Po uzyskaniu wartości TPR i FPR należy wykreślić krzywą ROC, korzystając z otwartoźródłowego narzędzia webowego Jupyter Notebook w środowisku Python. AUC jest skutecznym sposobem oceny wydajności proponowanego modelu w analizie krzywej ROC.
  4. Krzywa PR
    1. Krzywą PR należy wykorzystać do oceny modeli poprzez pomiar pola pod krzywą PR. Krzywą PR konstruuje się, wykreślając precyzję i czułość modeli przy użyciu funkcji progu pewności modelu. Ponieważ krzywa PR jest również wykresem dwuwymiarowym, należy nanieść czułość (Recall) na oś x, a precyzję (Precision) na oś y.
    2. Podobnie jak w przypadku krzywej ROC, krzywą PR należy wykreślić za pomocą otwartoźródłowego narzędzia webowego Jupyter Notebook w środowisku Python. Wynik pola pod krzywą precyzja-czułość (AUC) jest również pomocny w klasyfikacji wieloetykietowej.

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

Wyniki

W niniejszym badaniu zaproponowano hybrydowe algorytmy głębokiego uczenia, aby pomóc w automatycznym przewidywaniu pozytywności próbki krwi pod kątem zakażenia pasożytem z rodzaju trypanosom. Zarchiwizowane, barwione giemsą rozmazy krwi zostały poddane segregacji w celu lokalizacji i klasyfikacji komórek zarażonych oraz niezarażonych przy użyciu algorytmu detekcji obiektów opartego na sieci neuronowej z głównym szkieletem darknet. W obrębie każdego prostokątnego pola predykcji uzyskanego z poprzedniego modelu opracowano ...

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

Dyskusja

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

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

Podziękowania

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

  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

Tagi

Identyfikacja trypanosomówdetekcja obiektówklasyfikacja obrazówobrazy mikroskopoweTrypanosoma cruziTrypanosoma bruceiTrypanosoma evansirozpoznawanie wzorcównadzór nad chorobami
Doskonała automatyczna identyfikacja pasożytów trypanosomów dzięki zastosowaniu hybrydowego modelu głębokiego uczenia
Skontaktuj się z nami
Poleć bibliotece

Prywatność

Warunki korzystania z usługi

Zasady

Prawa autorskie © 2026 MyJoVE Corporation. Wszelkie prawa zastrzeżone.