用于吉姆萨染色血涂片中恶性疟原虫检测的 COCO 格式实例级数据集-计算机科学-深度学习-算法.pdfVIP

用于吉姆萨染色血涂片中恶性疟原虫检测的COCO格式实例级数

据集

1,21,21,211,22

FraukeWilm,LuisCarlosRiveraMonroy,MathiasÖttl,LukasMürdter,LeonidMill,AndreasMaier

1MIRAVisionMicroscopyGmbH,73037Göppingen,Germany

2PatternRecognitionLab,DepartmentofComputerScience,Friedrich-Alexander-Universität(FAU)Erlangen-Nürnberg,

Erlangen,Germany

Abstract

准确检测吉姆萨染色血涂片中的恶性疟原虫是可靠疟疾诊断的重要组成部分，尤其是在发展中国家。基于深度学习

的目标检测方法在自动疟疾诊断方面展示了强大的潜力，但其采用受到详细实例级标注数据集稀缺的限制。在这项

工作中，我们介绍了一个公开可用的NIH疟疾数据集的增强版本，包含详细的边界框标注以支持目标检测训练。我

们通过训练一个FasterR-CNN模型来检测感染和未感染红细胞以及白细胞验证了修订后的标注。在原始数据集上

本的交叉验证产生了高达0.88的感染细胞检测F1分数。这些结果强调了标注数量和一致性的的重要性，并证明自动

译标注优化结合有针对性的手动校正可以生成足够质量的训练数据，以实现稳健的检测性能。更新后的标注集可通过

中GitHub公开获取：

/MIRA-Vision-Microscopy/malaria-thin-smear-coco。

1

v

3Keywords

8

4疟疾，恶性疟原虫，薄血膜涂片，NIH，COCO

8

1Articleinformations

.

7

0©YYYYWilmetal..License:CC-BY4.0

5Correspondingauthor:fwilm@mira.vision

2

:

v

i

x

r1.背景比分子检测更受欢迎(WorldHealthOrganization,2024)。

a

然而，对血涂片图像进行寄生虫学评估需要高水平的专业

alaria是由原生动物寄生虫属疟原虫引起的热知识，在资源匮乏的国家或农村地区，受过训练的人员可

带疾病，这些寄生虫感染红血细胞，并主要通能稀缺(Poostchietal.,2018)。

M过雌性按蚊叮咬传播。在人类中，该疾病主要最近，基于机器学习的方法在分析数字化血液涂片图

与四种物种相关：P.falciparum、P.vivax、P.malariae和像以量化寄生虫感染方面显示出有希望的结果(Poostchi

P.楠氏虫。近年来，疟疾也越来越多地通过第五种物种etal.,2018)。然而，这些方法通常依赖于大量且标注良

传播，即。，P.knowlesi。在这五种物种中，P.falciparum好的数据集进行有效训练，使得公开可用的资源特别有价

和P.vivax最为普遍，而P.falciparum是导致大多数疟疾值。大多数现有工作集中在将单个细胞斑块分类为感染或

相关死亡的原因(WorldHealthOrganization,2024)。未感染(Kassimetal.,2020)，这需要事先提取单个细胞

大多数疟疾感染报告发生在热带和亚热带地区，影响作物。这个步骤在细胞密集分布的血液涂片图像中具有挑

低收入国家的人口，这些地区的医疗保健资源有限。虽然战性，并且限制了这些方法在实际诊断流程中的适用性，

现代治疗方法可以有效治愈疟疾，但早期诊断仍然至关重在这种流程中，直接定位和准确量化感染细胞是至关重要

要，检测延迟是与疟疾相关的死亡率的主要因素(Sultani的。与基于斑块分类的方