Отправьте статью сегодня! Журнал выйдет ..., печатный экземпляр отправим ...
Опубликовать статью

Молодой учёный

Лёгкая свёрточная нейронная сеть для обнаружения малярийных паразитов на изображениях клеток крови

04.11.2026
13
Поделиться
Аннотация
Глубокие нейронные сети для анализа медицинских изображений, как правило, требуют графических ускорителей и большого объёма памяти, что ограничивает их применение в портативных устройствах диагностики в точке оказания медицинской помощи (Point-of-Care). В работе предложена лёгкая свёрточная нейронная сеть ALDI-CNN для классификации изображений клеток крови при диагностике малярии. По сравнению с базовой моделью Base-CNN в архитектуру добавлены пакетная нормализация, dropout-регуляризация, третий свёрточный блок и аугментация данных. Модели реализованы в MATLAB R2023b и обучены на открытом наборе NIH Malaria Dataset. На тестовой выборке ALDI-CNN достигла точности 96,20 % против 94,78 % у Base-CNN; чувствительность выросла с 92,84 % до 95,07 %, специфичность — с 96,71 % до 97,34 %. В сравнении с AlexNet, SqueezeNet, ResNet18 и MobileNetV2, обученными с нуля на тех же данных, ALDI-CNN уступает по чувствительности, но показывает наибольшие специфичность и Precision при времени обучения в 8–107 раз меньшем. Результаты показывают, что компактная CNN с малым входным разрешением может служить основой портативных систем скрининга малярии.
Библиографическое описание
Сатаралиева, З. С. Лёгкая свёрточная нейронная сеть для обнаружения малярийных паразитов на изображениях клеток крови / З. С. Сатаралиева, А. А. Сайдиллаева. — Текст : непосредственный // Молодой ученый. — 2026. — № 45 (648). — С. 11-14. — URL: https://moluch.ru/archive/648/141845.


1. Введение

Методы глубокого обучения позволили достичь экспертного уровня в ряде задач анализа медицинских изображений [1]. Вместе с тем более 50 % населения мира не имеет доступа к базовым медицинским услугам [2], а типичные требования диагностических систем искусственного интеллекта — графические ускорители, стабильный интернет и большой объём памяти — в условиях ограниченных ресурсов трудновыполнимы. Поэтому актуальна разработка компактных моделей для портативных устройств диагностики в точке оказания медицинской помощи (Point-of-Care), в том числе на основе микроконтроллеров класса ARM Cortex-M4.

Для снижения вычислительной сложности предложены компактные архитектуры MobileNet [3] и MobileNetV2 [4], а также MCUNet [5], ориентированная на микроконтроллеры. Однако они разрабатывались для общих задач классификации изображений и не учитывают клинически значимые метрики — чувствительность и специфичность. Автоматическая диагностика малярии по изображениям клеток крови хорошо изучена [6, 7], но большинство моделей для этой задачи имеют значительное число параметров, что затрудняет их применение в портативных устройствах.

Цель работы — разработка и экспериментальная проверка лёгкой свёрточной нейронной сети ALDI-CNN для обнаружения малярийных паразитов на изображениях клеток крови, а также её сравнение с базовой моделью Base-CNN и известными архитектурами AlexNet [8], SqueezeNet [9], ResNet18 [10] и MobileNetV2 [4].

2. Материалы и методы

Набор данных. Использован открытый набор NIH Malaria Dataset [6], содержащий 27 558 изображений клеток крови из тонких мазков, окрашенных по Гимзе: по 13 779 изображений в классах Parasitized (заражённые) и Uninfected (незаражённые). Изображения приведены к размеру 64×64×3: это снижает объём вычислений и памяти, при этом морфологические признаки паразита остаются различимыми. Данные стратифицированно разделены на обучающую (70 %, 19 290 изображений), валидационную (15 %, 4 134) и тестовую (15 %, 4 134) выборки. При обучении ALDI-CNN применялась аугментация «на лету»: поворот ±15°, горизонтальное и вертикальное отражение, сдвиг ±5 пикселей. Яркость не изменялась, так как интенсивность окраски является диагностически значимым признаком.

Модели. Базовая сеть Base-CNN включает два свёрточных блока (свёртка 3×3, ReLU, MaxPooling 2×2) с 16 и 32 фильтрами, полносвязный слой из 64 нейронов и выходной слой с классификатором Softmax. Предложенная ALDI-CNN (Adaptive Lightweight Diagnostic Intelligence CNN) получена целенаправленной модификацией Base-CNN: после каждого свёрточного слоя добавлена пакетная нормализация [11], стабилизирующая обучение; добавлен третий свёрточный блок с 64 фильтрами для выделения более сложных признаков; введён Dropout [12] с вероятностью 0,3 после третьего блока и 0,5 после полносвязного слоя для снижения переобучения. Послойная конфигурация моделей приведена в таблице 1.

Таблица 1

Послойная конфигурация моделей Base-CNN и ALDI-CNN

Блок / слои

Base-CNN:

выход

Base-CNN:

параметры

ALDI-CNN:

выход

ALDI-CNN:

параметры

Вход

64×64×3

–

64×64×3

–

Блок 1: Conv 3×3 (16) [+ BN] + ReLU + MaxPool 2×2

32×32×16

448

32×32×16

480

Блок 2: Conv 3×3 (32) [+ BN] + ReLU + MaxPool 2×2

16×16×32

4 640

16×16×32

4 704

Блок 3: Conv 3×3 (64) + BN + ReLU + Dropout (0,3)

–

–

16×16×64

18 624

FC 64 + ReLU [+ Dropout (0,5)]

64

524 352

64

1 048 640

FC 2 + Softmax

2

130

2

130

Итого обучаемых параметров

529 570

1 072 578

Обучение и оценка. Модели реализованы в MATLAB R2023b (Deep Learning Toolbox) и обучались на процессоре Intel Core i7 без GPU с параметрами: оптимизатор Adam [13], скорость обучения 0,001, размер мини-пакета 32, 10 эпох, функция потерь — перекрёстная энтропия. Для сравнения AlexNet, SqueezeNet, ResNet18 и MobileNetV2 обучались с нуля (без предобученных весов) на тех же выборках со стандартными входными размерами 227×227 и 224×224 (Adam, скорость обучения 0,0001, мини-пакет 16, 5 эпох). Качество оценивалось на тестовой выборке по метрикам Accuracy, Precision, Recall (чувствительность), Specificity (специфичность) и F1-score; положительным считался класс Parasitized.

3. Результаты и обсуждение

Таблица 2

Сравнение Base-CNN и ALDI-CNN по метрикам качества

Модель

Accuracy, %

Precision, %

Recall, %

Specificity, %

F1-score, %

Время обучения, с

Base-CNN

94,78

96,58

92,84

96,71

94,67

1958

ALDI-CNN

96,20

97,28

95,07

97,34

96,16

3014

ALDI-CNN превосходит базовую модель по всем метрикам качества (таблица 2). Наиболее важен рост чувствительности с 92,84 % до 95,07 %: число пропущенных заражённых клеток на тестовой выборке уменьшилось со 148 до 102, то есть примерно на 31 %, а число ложноположительных ответов — с 68 до 55. Время обучения увеличилось с 1958 до 3014 с, что допустимо, так как обучение выполняется однократно на компьютере. ALDI-CNN удовлетворяет целевым требованиям к модулю (чувствительность не менее 95 %, специфичность не менее 90 %), тогда как Base-CNN не достигает требуемой чувствительности. Сравнение с известными архитектурами приведено в таблице 3.

Таблица 3

Сравнение ALDI-CNN с существующими архитектурами

Модель

Accuracy, %

Precision, %

Recall, %

Specificity, %

F1-score, %

Время обучения, с

ALDI-CNN

96,20

97,28

95,07

97,34

96,16

3 014

AlexNet

96,25

94,93

97,73

94,78

96,31

53 217

SqueezeNet

96,40

94,65

98,36

94,44

96,47

25 042

ResNet18

96,76

96,99

96,52

97,00

96,75

323 480

MobileNetV2

96,59

95,51

97,78

95,40

96,63

183 790

Все модели показали близкую точность (96,2–96,8 %). ALDI-CNN уступает остальным архитектурам по чувствительности (95,07 % против 96,52–98,36 %), но имеет наибольшие Precision (97,28 %) и специфичность (97,34 %) при наименьшем входном размере 64×64. Время обучения ALDI-CNN в 8–107 раз меньше, чем у сравниваемых моделей. Модель содержит около 1,07 млн параметров (≈1,07 МБ после квантования в INT8), что позволяет рассчитывать на её размещение во Flash-памяти микроконтроллера объёмом не менее 2 МБ.

4. Заключение

Предложена лёгкая свёрточная нейронная сеть ALDI-CNN для обнаружения малярийных паразитов на изображениях клеток крови. По сравнению с базовой моделью точность выросла с 94,78 % до 96,20 %, чувствительность — с 92,84 % до 95,07 %, специфичность — с 96,71 % до 97,34 %. По сравнению с AlexNet, SqueezeNet, ResNet18 и MobileNetV2 модель обеспечивает наибольшие специфичность и Precision при многократно меньших вычислительных затратах.

Ограничения работы: эксперимент выполнен на одном наборе данных, модель не проверялась на целевом микроконтроллере. Далее планируются тестирование модели на микроконтроллерных платформах и валидация на данных из полевых условий.

Литература:

  1. LeCun Y., Bengio Y., Hinton G. Deep learning // Nature. — 2015. — Vol. 521, № 7553. — P. 436–444. — DOI: 10.1038/nature14539.
  2. World Health Organization. Primary health care on the road to universal health coverage: 2019 monitoring report. — Geneva: WHO, 2019.
  3. Howard A. G., Zhu M., Chen B. et al. MobileNets: efficient convolutional neural networks for mobile vision applications // arXiv preprint. — 2017. — DOI: 10.48550/arXiv.1704.04861.
  4. Sandler M., Howard A., Zhu M. et al. MobileNetV2: inverted residuals and linear bottlenecks // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). — 2018. — P. 4510–4520. — DOI: 10.1109/CVPR.2018.00474.
  5. Lin J., Chen W.-M., Lin Y. et al. MCUNet: tiny deep learning on IoT devices // Advances in Neural Information Processing Systems. — 2020. — Vol. 33. — P. 11711–11722.
  6. Rajaraman S., Antani S. K., Poostchi M. et al. Pre-trained convolutional neural networks as feature extractors toward improved malaria parasite detection in thin blood smear images // PeerJ. — 2018. — Vol. 6. — Art. e4568. — DOI: 10.7717/peerj.4568.
  7. Poostchi M., Silamut K., Maude R. J., Jaeger S., Thoma G. Image analysis and machine learning for detecting malaria // Translational Research. — 2018. — Vol. 194. — P. 36–55. — DOI: 10.1016/j.trsl.2017.12.004.
  8. Krizhevsky A., Sutskever I., Hinton G. E. ImageNet classification with deep convolutional neural networks // Advances in Neural Information Processing Systems. — 2012. — Vol. 25. — P. 1097–1105.
  9. Iandola F. N., Han S., Moskewicz M. W. et al. SqueezeNet: AlexNet-level accuracy with 50x fewer parameters and <0.5MB model size // arXiv preprint. — 2016. — DOI: 10.48550/arXiv.1602.07360.
  10. He K., Zhang X., Ren S., Sun J. Deep residual learning for image recognition // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). — 2016. — P. 770–778. — DOI: 10.1109/CVPR.2016.90.
  11. Ioffe S., Szegedy C. Batch normalization: accelerating deep network training by reducing internal covariate shift // Proceedings of the 32nd International Conference on Machine Learning (ICML). — 2015. — Vol. 37. — P. 448–456.
  12. Srivastava N., Hinton G., Krizhevsky A., Sutskever I., Salakhutdinov R. Dropout: a simple way to prevent neural networks from overfitting // Journal of Machine Learning Research. — 2014. — Vol. 15, № 1. — P. 1929–1958.
  13. Kingma D. P., Ba J. Adam: a method for stochastic optimization // International Conference on Learning Representations (ICLR). — 2015. — DOI: 10.48550/arXiv.1412.6980.
Можно быстро и просто опубликовать свою научную статью в журнале «Молодой Ученый». Сразу предоставляем препринт и справку о публикации.
Опубликовать статью
Молодой учёный №45 (648) ноябрь 2026 г.
Скачать часть журнала с этой статьей(стр. 11-14):
Часть 1 (стр. 1-63)
Расположение в файле:
стр. 1стр. 11-14стр. 63
Похожие статьи
Современные возможности диагностики меланомы кожи с помощью искусственного интеллекта
Применение моделей машинного обучения для поддержки принятия врачебных решений
Алгоритм искусственного интеллекта с SVM. Классификация с использованием дермоскопических изображений для диагностики меланомы
Сравнение моделей глубокого обучения в задачах обнаружения лиц в сложных условиях
Разработка программного модуля для определения наличия у человека легочных заболеваний с использованием нейронной сети
Разработка программного модуля для проведения оценки тяжести поражения легких при COVID-19 по данным компьютерной томографии
Разработка компактной сверточной нейронной сети для бинарной классификации изображений по времени суток
Повышение точности классификации клеток крови в гематологическом анализаторе
Применение многослойных нейронных сетей в выявлении диастолической дисфункции левого желудочка у больных пожилого и старческого возраста
Подход к обнаружению неисправностей промышленного оборудования с помощью глубокого обучения

Молодой учёный