Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Mammographic Mass Segmentation Using Fuzzy C–means and Decision Trees Kapitel lesen Erstes Kapitel lesen

2018 | OriginalPaper | Buchkapitel

Leishmaniasis Parasite Segmentation and Classification Using Deep Learning

verfasst von : Marc Górriz, Albert Aparicio, Berta Raventós, Verónica Vilaplana, Elisa Sayrol, Daniel López-Codina

Erschienen in: Articulated Motion and Deformable Objects

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Leishmaniasis is considered a neglected disease that causes thousands of deaths annually in some tropical and subtropical countries. There are various techniques to diagnose leishmaniasis of which manual microscopy is considered to be the gold standard. There is a need for the development of automatic techniques that are able to detect parasites in a robust and unsupervised manner. In this paper we present a procedure for automatizing the detection process based on a deep learning approach. We train a U-net model that successfully segments leismania parasites and classifies them into promastigotes, amastigotes and adhered parasites.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Capturing Industrial Machinery into Virtual Reality
Nächstes Kapitel Robust Pedestrian Detection for Semi-automatic Construction of a Crowded Person Re-Identification Dataset
Literatur
1.
Farahi, M., Rabbani, H., Talebi, A., Sarrafzadeh, O., Ensafi, S.: Automatic segmentation of leishmania parasite in microscopic images using a modified CV level set method. In: Proceedings of the SPIE Seventh International Conference on Graphic and Image Processing, vol. 9817 (2015)
2.
Krizhevsky, A., Sutskever, I., Hinton, G.E.: Imagenet classification with deep convolutional neural networks. In: Advances in Neural Information Processing Systems, pp. 1097–1105 (2012)
3.
Mehanian, C., Jaiswal, M., Delahunt, C., Thompson, C., Horning, M., Hu, L., McGuire, S., Ostbye, T., Mehanian, M., Wilson, B., Champlin, C., Long, E., Proux, S., Gamboa, D., Chiodini, P., Carter, J., Dhorda, M., Isaboke, D., Ogutu, B., Oyibo, W., Villasis, E., Tun, K.M., Bachman, C., Bell, D.: Computer-automated malaria diagnosis and quantitation using convolutional neural networks. In: 2017 IEEE International Conference on Computer Vision Workshop (ICCVW), pp. 116–125 (2017)
4.
Ouertani, F., Amiri, H., Bettaib, J., Yazidi, R., Ben Salah, A.: Adaptive automatic segmentation of leishmaniasis parasite in indirect immunofluorescence images. In: Proceedings of the 36th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC) (2014)
5.
Ouertani, F., Amiri, H., Bettaib, J., Yazidi, R., Ben Salah, A.: Hybrid segmentation of fluorescent leschmania-infected images using a watersched and combined region merging based method. In: Proceedings of the 38th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC) (2016)
6.
Penas, K.E., Rivera, P.T., Naval, P.C.: Malaria parasite detection and species identification on thin blood smears using a convolutional neural network. In: 2017 IEEE/ACM 10th International Workshop on Cooperative and Human Aspects of Software Engineering (CHASE), pp. 1–6 (2017)
7.
Quinn, J.A., Nakasi, R., Mugagga, P.K.B., Byanyima, P., Lubega, W., Andama, A.: Deep convolutional neural networks for microscopy-based point of care diagnostics. In: Proceedings of the 1st Machine Learning in Health Care, MLHC 2016, Los Angeles, CA, USA, 19–20 August 2016, pp. 271–281 (2016)
8.
9.
Sudre, C.H., Li, W., Vercauteren, T., Ourselin, S., Jorge Cardoso, M.: Generalised dice overlap as a deep learning loss function for highly unbalanced segmentations. In: Cardoso, M.J., Arbel, T., Carneiro, G., Syeda-Mahmood, T., Tavares, J.M.R.S., Moradi, M., Bradley, A., Greenspan, H., Papa, J.P., Madabhushi, A., Nascimento, J.C., Cardoso, J.S., Belagiannis, V., Lu, Z. (eds.) DLMIA/ML-CDS -2017. LNCS, vol. 10553, pp. 240–248. Springer, Cham (2017). https://​doi.​org/​10.​1007/​978-3-319-67558-9_​28CrossRef
10.
Vazquez Noguera, J.L., Legal Ayala, H., Schaerer, C.E., Rolon, M.: Mathematical morphology for counting trypanosoma cruzi amastigotes. In: IEEE XXXIX Latin American Computing Conference (2013)
11.
12.
Yazdanparast, E., Dos Anjos, A., Garcia, D., Loeuillet, C., Shahbazkia, H.R., Vergnes, B.: INsPECT, an open-source and versatile software for automated quantification of (leishmania) intracellular parasites. In: PLOS Neglected Tropical Diseases, vol. 8 (2014)CrossRef
Metadaten
Titel
Leishmaniasis Parasite Segmentation and Classification Using Deep Learning
verfasst von
Marc Górriz
Albert Aparicio
Berta Raventós
Verónica Vilaplana
Elisa Sayrol
Daniel López-Codina
Copyright-Jahr
2018
Buch
Articulated Motion and Deformable Objects

Print ISBN: 978-3-319-94543-9

Electronic ISBN: 978-3-319-94544-6

Copyright-Jahr: 2018

DOI
https://doi.org/10.1007/978-3-319-94544-6_6

Premium Partner

    Bildnachweise