基于Faster R-CNN的疟疾血涂片检测改进算法

摘要

根据WHO发布的报告,每年疟疾的新发病例超过2亿,死亡人数仍居高不下.疟疾血涂片镜检法是疟疾检测的金标准,但由于人工评估所需的步骤繁琐,即使在经验丰富的医师手中,这种诊断方法也很耗时并且容易发生漏检和误检.此外疟原虫细胞形状、密度和颜色的变化以及某些细胞类的不确定性等因素,对疟原虫检测提出了重大挑战.基于深度学习的神经网络模型在对象检测方面取得了巨大成功,但最先进的模型尚未在生物图像数据中得到广泛应用.针对这一问题,提出一种基于深度学习的改进Faster R-CNN算法,用来识别疟疾血涂片细胞并检测其受感染的阶段.在原始Faster R-CNN的基础上,加入卷积滤波器层,采用提取特征更好的深度残差网络,通过优化锚点的属性以改善疟疾血涂片细胞分类与检测中存在的漏检、误检的问题.实验结果表明,改进的Faster R-CNN模型在公开的间日疟原虫(疟疾)感染人血凃片数据集测试的平均正确率达到了79.56％,比原始Faster R-CNN模型提高了8.84％.