Sistem pengklasifikasian pintar untuk jenis parasit malaria
Malaria adalah disebabkan oleh parasit protozoa daripada genus plasmodium. Tanda-tanda jangkitan yang biasa termasuklah demam, menggigil, sakit otot dan sakit kepala. Pada masa kini, dua kaedah diagnosis secara manual oleh pakar mikrobiologi dipraktikkan ke atas sampel palitan darah nipis bagi menge...
Saved in:
Main Author: | |
---|---|
Format: | Thesis |
Language: | other |
Subjects: | |
Online Access: | http://dspace.unimap.edu.my:80/xmlui/bitstream/123456789/40856/1/Page%201-24.pdf http://dspace.unimap.edu.my:80/xmlui/bitstream/123456789/40856/2/Full%20text.pdf |
Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
Summary: | Malaria adalah disebabkan oleh parasit protozoa daripada genus plasmodium. Tanda-tanda jangkitan yang biasa termasuklah demam, menggigil, sakit otot dan sakit kepala. Pada masa kini, dua kaedah diagnosis secara manual oleh pakar mikrobiologi dipraktikkan ke atas sampel palitan darah nipis bagi mengenalpasti jenis-jenis parasit malaria, iaitu kaedah mikroskopik dan tanpamikroskopik. Namun, terdapat kelemahan pada kedua-dua kaedah ini seperti ia hanya boleh dijalankan oleh pakar mikrobiologi sahaja disebabkan oleh proses
mentafsir dan menilai slaid palitan darah nipis secara tepat memerlukan kemahiran
yang tinggi. Justeru, penggunaan sistem pintar berasaskan teknologi pemprosesan
imej dan rangkaian neural dibina bagi mengklasifikasikan tiga jenis parasit malaria
iaitu Plasmodium falciparum (PF), Plasmodium malariae (PM) dan Plasmodium
vivax (PV). Pembangunan sistem pengklasifikasian ini terbahagi kepada tiga
peringkat utama. Pada peringkat pertama, proses peruasan diimplemenkan ke atas
imej palitan darah nipis yang terbahagi kepada dua fasa. Pada Fasa 1, peruasan
tertumpu kepada peruasan sel darah merah (SDM) dan latar belakang imej dengan
menggunakan gabungan teknik kaedah Otsu, pengisian lubang dan pengecutan
artifak. Pada Fasa 2, algoritma pembentukan sel berasaskan jejari (RCF)
direkabentuk, khusus bagi mengasingkan SDM bertindih kepada SDM tunggal yang
terbukti mampu mengekalkan saiz dan bentuk setiap SDM tunggal yang dipisahkan.
Kemudian, teknik pengambangan diaplikasikan bagi meruas imej kepada dua ruas
iaitu parasit malaria dan SDM. Pada peringkat kedua, proses pengekstrakan ciri dilaksanakan iaitu pengiraan saiz SDM dan penentuan bentuk parasit malaria
menggunakan teknik momen Hu. 15 ciri telah berjaya diekstrak iaitu nisbah saiz
SDM yang dijangkiti terhadap SDM normal, 7 ciri momen Hu berasaskan saiz dan 7
ciri momen Hu berasaskan perimeter. Pada peringkat terakhir, semua ciri tersebut
digunakan sebagai data masukan kepada rangkaian neural MLP untuk tujuan proses
pengklasifikasian. Dengan menggunakan rangkaian neural MLP yang dilatih
menggunakan algoritma pembelajaran aturan Bayesian, prestasi sistem yang dibina
adalah 99.68% pada fasa latihan dan 99.52% pada fasa ujian. Oleh itu, dapat
disimpulkan bahawa sistem yang dicadangkan berkeupayaan tinggi dan sesuai
digunakan untuk pengklasifikasian jenis-jenis parasit malaria. |
---|