Diese Sektion enthält Details zur vorgeschlagenen Methodik und den verwendeten vorab trainierten Modellen in dieser Studie. Abbildung 1 zeigt den Arbeitsablauf der vorgeschlagenen Methodik. Die Details jedes Schrittes werden in den folgenden Abschnitten bereitgestellt. Das verwendete Datenset umfasst insgesamt 27.558 Zellbilder mit 13.779 parasitierten Bildern und 13.779 nicht infizierten Bildern, die von 150 kranken Patienten (infizierte Personen) und 50 gesunden Patienten stammen. Die Farbvariationen in den roten Zellbildern stammen von verschiedenen Blutverunreinigungen während der Bildaufnahme. Die manuelle Annotation des gesamten Datensatzes wurde von Experten durchgeführt. Nach der Größenanpassung wurden die Zellbilder in zwei Teile aufgeteilt: Training und Testing. 80% der Daten werden zur Schulung der Deep-Learning-Modelle verwendet, die restlichen 20% dienen zur Testung der Effizienz und Leistung des Modells.
EfficientNet-B2 ist ein CNN-Modell, das äußerst präzise und zuverlässig ist und vor allem für Probleme der Bildklassifizierung geeignet ist, die weniger Parameter erfordern. Dieses Modell ist aufgrund seiner Größe und minimalen Rechenressourcen besonders effizient und genau bei der Erkennung von Krankheiten. Durch transfer learning können vorab trainierte Modelle, die auf großen Datensätzen wie ImageNet trainiert wurden, für kleine Datensätze verwendet werden. Die Verwendung von EfficientNet-B2 in der Krankheitserkennung zielt darauf ab, Effizienz und Genauigkeit zu verbessern. Um den Malaria-Nachweis mit Expertenklassifikationen zu verbessern und eine schnellere und präzisere Diagnose zu ermöglichen, werden Deep-Learning-Modelle auf rote Blutzellen trainiert. Die Implementierung von Deep-Learning-Modellen in der klinischen Praxis bietet mehrere Vorteile, darunter genaue und zeitnahe Diagnosen sowie die Entlastung des medizinischen Personals durch automatisierte Analysen.
Zur Malariaerkennung wurden auch feinabgestimmte deep learning-Modelle wie CNN, VGG-16, DenseNet-Versionen 121, 169, 201, Inception-Version 3 usw. eingesetzt. Die Leistung aller Modelle wurde anhand von Präzision, Recall, F1-Score und Genauigkeit bewertet und mithilfe von Confusion Matrix ausgewertet. Die Confusion Matrix umfasst TP, TN, FP und FN-Vorhersagen zur Bewertung der Modelleffizienz. Die detaillierten Architekturen und Parameter der verwendeten Modelle werden in verschiedenen Tabellen dargestellt.
Schlussfolgernd eröffnen Deep-Learning-Modelle und vorab trainierte CNNs in Verbindung mit den Leistungskennzahlen wie Präzision, Recall und F1-Score vielversprechende Möglichkeiten zur automatischen Malariaerkennung. Diese Techniken können nicht nur die Genauigkeit und Geschwindigkeit von Diagnosen verbessern, sondern auch zur Entlastung von medizinischem Fachpersonal und dem Kampf gegen Malaria beitragen.