این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مجله علمی پزشکی جندی شاپور، جلد ۱۴، شماره ۱، صفحات ۶۶-۷۴
عنوان فارسی تشخیص رایانه‌ای انگل مالاریا با استفاده از روش‌های شناسایی الگو
چکیده فارسی مقاله زمینه و هدف: در اکثر موارد فرآیند تشخیص بصری بیماری­ها وقت­گیر و دشوار بوده و نتیجه آن خیلی وابسته به تجربه و تخصص میکروسکوپیست­ها دارد؛ لذا تشخیص رایانه­ای بیماری­ها در کاهش زمان تشخیص و نیروی انسانی و نیز خطاهای موجود می­تواند کمک شایانی باشد. در این تحقیق، عملکرد چهار طبقه­بندی کننده در شناسایی رایانه­ای انگل مالاریا بررسی می­شود. روش بررسی: در این تحقیق 400 تصویر لام خونی آلوده به انگل مالاریا مورد استفاده قرار گرفت. ابتدا با ایجاد نقاب گلبول قرمز و تطبیق آن بر عناصر رنگی استخراج شده، فقط گلبول­های قرمز جهت بررسی­های بعدی مورد استفاده قرار گرفتند. سپس ویژگی­های هیستوگرام رنگ، گرانولومتری، بافت، هیستوگرام کانال اشباع و گرادیان استخراج شدند. برای تفکیک تصاویر انگلی از تصاویر غیرانگلی از چهار طبقه­بندی کننده K نزدیک­ترین همسایه (KNN)، نزدیک­ترین میانگین(NM) ، یک نزدیک­ترین همسایه(1NN)، و تفکیک­کننده خطی فیشر(Fisher) استفاده شد. یافته­ها: بالاترین عملکرد را طبقه­بندی کننده KNNبا دقت %5/92 داراست و بعد از آن طبقه­بندی کننده­های 1-NN،Fisher و NM به ترتیب دارای دقت %25/90، %85 و %25/60 بودند. نتیجه­گیری: باتوجه به عملکرد خوب روش پیشنهاد شده، این روش می­تواند در طراحی نرم­افزار شناسایی رایانه­ای انگل مالاریا به محققین، مدیران و برنامه­ریزان کلان برای کنترل و تشخیص بیماری مالاریا کمک شایانی بنماید.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Computer-Aided Diagnosis of Malaria Parsite using Patern Recognition Methods
چکیده انگلیسی مقاله Background and Objectives: In many cases of paraitic identification by visual inspection is difficult, time consuming and depends heavily on the experience of microscopists. Computer-aided diagnosis can make a significant help in saving the time, reducing workforces and the possible operator errors. The aim of this study was to assess the performance of four classifiers for detection of malaria parasite was investigated. Subjects and Methods:A total of 400 images of malaria parasite-infected blood slides were used.Intially by masking the red blood cells, in order to match the stained extracted elements, only red blood cells were used for next stage of the study. Then, the color histogram, granulometry, texture, saturation level histogram, gradient and flat­ texture features were extracted. For discriminating parasitic images from non-parasitic images four classifiers have been used: K-Nearest Neighbors (KNN), Nearest Mean (NM), 1-Nearest Neighbors (1NN), and Fisher linear discriminator (Fisher). Results: The best classification accuracy of 92.5%, which was achieved by KNN classifier. The accuracies of 1-NN, Fisher and NM classifiers were 90.25%, 85%, and 60.25%, respectively. Conclusion:Considering the performance of the proposed method, it can be used in the development of software for detecting malaria parasite. Thus, it can offer a significant help to researchers, managers and major planners to control malaria.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله لیلا ملیحی |
گروه مهندسی برق، دانشکدۀ مهندسی، دانشگاه شهید چمران اهواز، اهواز، ایران.
سازمان اصلی تایید شده: دانشگاه شهید چمران (Shahid chamran university)

کریم انصاری اصل | ansari asl
گروه مهندسی برق، دانشکدۀ مهندسی، دانشگاه شهید چمران اهواز، اهواز، ایران.
سازمان اصلی تایید شده: دانشگاه شهید چمران (Shahid chamran university)

عبدالامیر بهبهانی |
گروه حشره شناسی پزشکی، دانشکدۀ بهداشت، دانشگاه علوم پزشکی جندی شاپور اهواز، اهواز، ایران.
سازمان اصلی تایید شده: دانشگاه علوم پزشکی جندی شاپور اهواز (Ahvaz jundishapur university of medical sciences)

نشانی اینترنتی http://jsmj.ajums.ac.ir/article_46919_4ba2020110a6573223d55c9228ed75ef.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/106/article-106-405706.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات