56、疟疾寄生虫检测与疫情预警系统：深度学习解决方案

疟疾寄生虫检测与疫情预警系统：深度学习解决方案

1. 文献综述

1.1 疟疾寄生虫检测

早期，Anggraini 等人开发了一款应用程序，可自动对输入图像进行图像分割，将血细胞与背景分离，这启发了许多人基于这些图像构建模型。Neto 等人提出了一种图像分析方法，用于在疟疾检测中对疟疾的五个阶段进行分类。Rajaraman 等人则专注于特征提取，助力构建基于卷积神经网络（CNN）的模型，以区分感染和未感染的血细胞。

Momala 是一个知名方案，它是一个基于智能手机的显微镜系统，可利用手机摄像头检测和分析血液涂片上的疟疾病原体。然而，该应用需借助显微镜，体积庞大且不便携带。

传统的多层感知器（MLP）神经网络方法也被提出。但对于大图像，MLP 会产生大量权重，增加训练复杂度。

研究人员通过实验寻找最佳模型。多数提出的 CNN 模型有三个卷积层和两个全连接的密集层，如 VGG - 16、Xception、ResNet - 50 和 AlexNet 等模型的性能被展示和比较。一些研究展示了定制模型，但精度欠佳。虽然迁移学习模型表现较好，但需要特征提取和大量参数训练，耗时且模型复杂，难以部署在物联网或智能手机应用中。

部分研究采用简单的 CNN 模型和带有自适应学习率的随机梯度下降（SGD）优化器。虽训练精度不错，但在验证血细胞涂片图像时易误判，可能是由于实验少、模型参数少和超参数更新少导致收敛过快。经典 SGD 优化器存在鞍点问题，可能不适合该模型。因此，需要一种训练时间短、结果准确且无欠拟合和过拟合的 CNN 模型。

1.2 疟疾疫情检测

少数研究结合机器学习算法构建疟疾疫情预