Published June 26, 2023
| Version v1
Publication
Open
A Transformer-based Algorithm for Automatically Diagnosing Malaria Parasite in Thin Blood Smear Images Using MobileViT
- 1. Islamic Azad University of Birjand
- 2. Université Hassan 1er
- 3. University of Birjand
- 4. Islamic Azad University, Tehran
Description
Abstract Based on the report provided by the World Health Organization (WHO), malaria has proved to be a life-threatening disease whose cases reached 241 million in 2020 globally. However, diagnosing malaria in the early stages of infection can be very fruitful for ameliorating this disease. The standard way of diagnosing malaria is by examining the blood cell images by professionals. Despite medical technology development, this is not feasible in many underdeveloped areas due to the lack of such experts. Thus, researchers interested in computer-aided decision-making, specifically deep learning, have focused on atomizing the diagnosis of malaria recently. The performance of transformer-based models combined with convolutional neural networks motivated us to propose an approach based on MobileViT for atomizing the process of diagnosing malaria. To achieve this, the model was trained on blood cell images collected from a publicly available dataset. Evaluated on 27,560 samples, the proposed classifier achieves an accuracy of 98.37% on average using 10-fold cross-validation. Among 2756 test samples, the model achieves 34 false negatives at least and 48 ones at most. Due to the medical nature of our problem, this is significant because the model's miss-cases of actual positive malaria-infected samples are low, making the accuracy and recall of the model 98.37% and 98.38%, respectively. To our knowledge, this is the first study that applies a transformer-based model to a problem with superior performance. In addition, it is a lightweight and mobile-friendly neural network which can be utilized in mobile applications.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
استنادًا إلى التقرير المقدم من منظمة الصحة العالمية (WHO)، أثبتت الملاريا أنها مرض يهدد الحياة وصلت حالاته إلى 241 مليون حالة في عام 2020 على مستوى العالم. ومع ذلك، فإن تشخيص الملاريا في المراحل المبكرة من العدوى يمكن أن يكون مثمرًا للغاية لتخفيف هذا المرض. الطريقة القياسية لتشخيص الملاريا هي عن طريق فحص صور خلايا الدم من قبل المتخصصين. على الرغم من تطوير التكنولوجيا الطبية، فإن هذا غير ممكن في العديد من المناطق المتخلفة بسبب نقص هؤلاء الخبراء. وهكذا، ركز الباحثون المهتمون بصنع القرار بمساعدة الكمبيوتر، وتحديدًا التعلم العميق، على تفتيت تشخيص الملاريا مؤخرًا. دفعنا أداء النماذج القائمة على المحولات جنبًا إلى جنب مع الشبكات العصبية التلافيفية إلى اقتراح نهج يعتمد على MobileViT لتفتيت عملية تشخيص الملاريا. ولتحقيق ذلك، تم تدريب النموذج على صور خلايا الدم التي تم جمعها من مجموعة بيانات متاحة للجمهور. يحقق المصنف المقترح، الذي تم تقييمه على 27560 عينة، دقة بنسبة 98.37 ٪ في المتوسط باستخدام التحقق المتبادل 10 أضعاف. من بين 2756 عينة اختبار، يحقق النموذج 34 سلبية خاطئة على الأقل و 48 منها على الأكثر. نظرًا للطبيعة الطبية لمشكلتنا، فإن هذا أمر مهم لأن حالات تفويت النموذج للعينات الإيجابية الفعلية المصابة بالملاريا منخفضة، مما يجعل دقة النموذج 98.37 ٪ و 98.38 ٪ على التوالي. على حد علمنا، هذه هي الدراسة الأولى التي تطبق نموذجًا قائمًا على المحولات على مشكلة الأداء المتفوق. بالإضافة إلى ذلك، فهي شبكة عصبية خفيفة الوزن وصديقة للهاتف المحمول يمكن استخدامها في تطبيقات الهاتف المحمول.Translated Description (French)
Résumé Sur la base du rapport fourni par l'Organisation mondiale de la santé (OMS), le paludisme s'est avéré être une maladie mortelle dont les cas ont atteint 241 millions en 2020 dans le monde. Cependant, le diagnostic du paludisme dans les premiers stades de l'infection peut être très fructueux pour améliorer cette maladie. La méthode standard de diagnostic du paludisme consiste à examiner les images des cellules sanguines par des professionnels. Malgré le développement de la technologie médicale, cela n'est pas possible dans de nombreux domaines sous-développés en raison du manque de tels experts. Ainsi, les chercheurs intéressés par la prise de décision assistée par ordinateur, en particulier l'apprentissage profond, se sont récemment concentrés sur l'atomisation du diagnostic du paludisme. La performance des modèles basés sur les transformateurs combinée aux réseaux de neurones convolutionnels nous a motivés à proposer une approche basée sur MobileViT pour atomiser le processus de diagnostic du paludisme. Pour ce faire, le modèle a été formé sur des images de cellules sanguines collectées à partir d'un ensemble de données accessibles au public. Évalué sur 27 560 échantillons, le classificateur proposé atteint une précision de 98,37 % en moyenne en utilisant une validation croisée de 10 fois. Sur 2756 échantillons de test, le modèle atteint 34 faux négatifs au moins et 48 au plus. En raison de la nature médicale de notre problème, cela est important car les cas de défaillance du modèle d'échantillons positifs réels infectés par le paludisme sont faibles, ce qui rend l'exactitude et le rappel du modèle respectivement de 98,37 % et 98,38 %. À notre connaissance, il s'agit de la première étude qui applique un modèle basé sur un transformateur à un problème de performance supérieure. En outre, il s'agit d'un réseau neuronal léger et mobile qui peut être utilisé dans des applications mobiles.Translated Description (Spanish)
Resumen Según el informe proporcionado por la Organización Mundial de la Salud (OMS), la malaria ha demostrado ser una enfermedad potencialmente mortal cuyos casos alcanzaron los 241 millones en 2020 a nivel mundial. Sin embargo, el diagnóstico de la malaria en las primeras etapas de la infección puede ser muy fructífero para mejorar esta enfermedad. La forma estándar de diagnosticar la malaria es mediante el examen de las imágenes de las células sanguíneas por parte de profesionales. A pesar del desarrollo de la tecnología médica, esto no es factible en muchas áreas subdesarrolladas debido a la falta de tales expertos. Por lo tanto, los investigadores interesados en la toma de decisiones asistida por ordenador, específicamente el aprendizaje profundo, se han centrado recientemente en atomizar el diagnóstico de la malaria. El rendimiento de los modelos basados en transformadores combinados con redes neuronales convolucionales nos motivó a proponer un enfoque basado en MobileViT para atomizar el proceso de diagnóstico de la malaria. Para lograr esto, el modelo se entrenó en imágenes de células sanguíneas recopiladas de un conjunto de datos disponible públicamente. Evaluado en 27,560 muestras, el clasificador propuesto logra una precisión del 98.37% en promedio utilizando una validación cruzada de 10 veces. Entre 2756 muestras de prueba, el modelo logra 34 falsos negativos como mínimo y 48 como máximo. Debido a la naturaleza médica de nuestro problema, esto es significativo porque los casos fallidos del modelo de muestras reales positivas infectadas con malaria son bajos, lo que hace que la precisión y el recuerdo del modelo sean del 98.37% y 98.38%, respectivamente. Hasta donde sabemos, este es el primer estudio que aplica un modelo basado en transformadores a un problema con un rendimiento superior. Además, es una red neuronal ligera y compatible con dispositivos móviles que se puede utilizar en aplicaciones móviles.Files
latest.pdf.pdf
Files
(2.9 MB)
| Name | Size | Download all |
|---|---|---|
|
md5:ff403e7d0f01fc081bcbf55d69f2b147
|
2.9 MB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- خوارزمية قائمة على المحولات لتشخيص طفيليات الملاريا تلقائيًا في صور مسحة الدم الرقيقة باستخدام MobileViT
- Translated title (French)
- Un algorithme basé sur un transformateur pour diagnostiquer automatiquement le parasite du paludisme dans les images de frottis sanguin mince à l'aide de MobileViT
- Translated title (Spanish)
- Un algoritmo basado en transformadores para diagnosticar automáticamente el parásito de la malaria en imágenes de frotis de sangre delgada utilizando MobileViT
Identifiers
- Other
- https://openalex.org/W4382057758
- DOI
- 10.21203/rs.3.rs-3067927/v1
References
- https://openalex.org/W1992733039
- https://openalex.org/W2005909996
- https://openalex.org/W2013640190
- https://openalex.org/W2058027492
- https://openalex.org/W2155653793
- https://openalex.org/W2330219538
- https://openalex.org/W2496667922
- https://openalex.org/W2515502085
- https://openalex.org/W2592929672
- https://openalex.org/W2783699776
- https://openalex.org/W2789585573
- https://openalex.org/W2799742832
- https://openalex.org/W2887936511
- https://openalex.org/W2910904027
- https://openalex.org/W2964292596
- https://openalex.org/W2969585684
- https://openalex.org/W2970576551
- https://openalex.org/W2975565280
- https://openalex.org/W2979040987
- https://openalex.org/W2986445670
- https://openalex.org/W3028258482
- https://openalex.org/W3088961722
- https://openalex.org/W3094502228
- https://openalex.org/W3113453806
- https://openalex.org/W3175227919
- https://openalex.org/W4220879982
- https://openalex.org/W4250664506
- https://openalex.org/W4287667694
- https://openalex.org/W4293144441