.png){kind=icon}
返回
Optimized CNN framework for malaria detection using Otsu thresholding−based image segmentation
.png){kind=icon}
OA
AI
DOI：10.1038/s41598-025-23961-5.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
从外周血涂片图像中实现疟疾的准确早期诊断仍然是医疗保健领域的关键挑战，尤其是在资源有限的环境中。本研究提出了一种通过基于Otsu阈值法的图像分割增强的优化卷积神经网络（CNN）框架，以改进疟疾感染细胞的检测。研究中使用了43,400张血涂片图像的数据集，按70:30的比例划分为训练集和测试集。基线12层CNN的准确率达到95%，通过集成EfficientNet-B7的混合并行特征融合模型后，准确率提升至97%。进一步通过Otsu分割进行优化，预处理过程在强调寄生虫相关区域的同时，保留了RGB图像中的形态学背景。该方法将准确率提高到最高97.96%，相较于基线CNN提升了约3%。为确保分割步骤的可靠性，我们创建了一个包含100张图像的手动标注子集，并通过比较Otsu生成的掩码与参考掩码来计算定量分割指标。该方法实现了0.848的平均Dice系数和0.738的Jaccard指数（IoU），证实了Otsu分割尽管简单，但能有效隔离寄生虫区域。此外，还进行了五折交叉验证，结果一致（分别为94.8%、96.9%和97.8%），从而验证了该框架的稳健性。所提出的管道表明，简单而有效的预处理能显著提升基于CNN的分类性能，同时保持可解释性和计算可行性。这些发现表明，基于分割的深度学习框架在开发可靠、可扩展且经济高效的疟疾诊断工具方面可发挥重要作用。
Keyword:
Malaria
EfficientNet
CNN
Segmentation
Otsu’s threshold
Blood cells
Classification
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
3.9
论文数:
27.9W
被引数:
83.5W
机构
引用论文
Automated multi-model framework for malaria detection using deep learning and feature fusion基于深度学习和特征融合的疟疾检测自动化多模型框架.png)
Scientific Reports
OAAI
Scientific ReportsIF3.9
OAAI分享收藏CTBViT: A novel ViT for tuberculosis classification with efficient block and randomized classifierCTBViT: 一种用于结核病分类的新型ViT，具有有效的块和随机分类器OAAI
OAAI分享收藏A Deep Learning Approach for Segmentation of Red Blood Cell Images and Malaria DetectionEntropyOAAI
EntropyIF0
OAAI分享收藏Digital image analysis for automatic enumeration of malaria parasites using morphological operationsOAAI
OAAI分享收藏
查看更多内容