| 基于近邻样本联合学习模型的疟疾识别算法 |
| |
| 引用本文： | 哈艳,孟翔杰,田俊峰.基于近邻样本联合学习模型的疟疾识别算法[J].河北大学学报(自然科学版),2022,42(2):208-216. |
| |
| 作者姓名： | 哈艳 孟翔杰 田俊峰 |
| |
| 作者单位： | 1. 河北大学管理学院;2. 河北省高可信信息系统重点实验室;3. 河北大学数学与信息科学学院;4. 河北大学网络空间安全与计算机学院 |
| |
| 基金项目： | 国家自然科学基金资助项目(61802106)；;河北省自然科学基金资助项目(F2021201049)； |
| |
| 摘 要： | 疟疾早期诊断可以有效防止疾病暴发.深度学习在细胞形态和组织图像检测等任务中具有出色能力.已有许多基于深度学习的疟疾研究,但它们主要用于环状体和红细胞二分类.本文首次研究疟疾多阶段识别,并提出近邻样本联合学习(neighbor sample joint learning,NSJL)模型.NSJL包括卷积神经网络(convolutional neural network,CNN)特征学习、领域相关性挖掘和图特征嵌入.它提取CNN特征,并将其与K近邻(K-nearset neighbor,K-NN)建立的邻域图传入图卷积网络(graph convolutional network,GCN).为评估NSJL,将其与先进方法比较,结果表明NSJL模型可达92.50%准确率,92.84%精确度,92.50%召回率和92.52%F1分数,至少高于其他方法7%的准确率表明其优秀疟疾识别能力.
|
| 关 键 词： | 疟原虫识别 图卷积网络 多阶段分类 样本联系 深度学习. |
| 收稿时间： | 2021-05-26 |
Neighbor sample joint learning for malaria parasite recognition |
| |
| HA Yan,MENG Xiangjie,TIAN Junfeng.Neighbor sample joint learning for malaria parasite recognition[J].Journal of Hebei University (Natural Science Edition),2022,42(2):208-216. |
| |
| Authors: | HA Yan MENG Xiangjie TIAN Junfeng |
| |
| Institution: | 1. School of Management, Hebei University, Baoding 071002, China; 2. Key Laboratory on High Trusted Information System in Hebei Province, Baoding 071002, China; 3. College of Mathematics and Information Science, Hebei University, Baoding 071002, China; 4. School of Cyber Security and Computer, Hebei University, Baoding 071002, China |
| |
| Abstract: | |
| |
| Keywords: | malaria parasite recognition graph convolutional network multi-stage recognition classification sample correlation deep learning |
|
| 点击此处可从《河北大学学报(自然科学版)》浏览原始摘要信息 |
| 点击此处可从《河北大学学报(自然科学版)》下载免费的PDF全文 |
|
