محمد رستمی - Member of Young Researchers and elite Club, Dehaghan Branch, Islamic Azad University, Dehaghan, Isfahan, Iran
سعید آیت - Computer Engineering and IT Department, Payame Noor University, Iran
الهه نشاط - Department of Computer Engineering and IT, Tehran branch Islamic Azad University, north-branch, Iran

مقدمه بیماری مالاریا یک بیماری عفونی است که موجب مشکلات جدی در امر سلامت شده است و مهم‌ترین بیماری انگلی بشری به شمار می­‌رود. برای کنترل و درمان بیماری مالاریا، به تشخیص صحیح و اقدام به‌ موقع نیاز است. در این پژوهش به ‌وسیله روش‌های پردازش تصویر و شبکه عصبی، روشی خودکار برای تشخیص این بیماری ارائه شده است. مواد و روش‌­ها در این روش ابتدا پیش‌پردازش انجام شده و توسط مدل کانتور فعال گلبول‌های قرمز از تصویر جدا شده و سپس با استفاده از تابع موجک، 840 ویژگی از تصویر استخراج نموده و با کمک ماشین بردار پشتیبان به دو گروه نرمال و غیر نرمال طبقه‌بندی می­‌گردد. در این پژوهش از پایگاه داده بیماری مالاریا با 120 تصویر نرمال و 120 تصویر غیر نرمال و از نرم­افزار MATLAB R2016B استفاده شده است. یافته‌­ها نتایج نشان می‌دهد که در مقایسه با مطالعات گذشته، تشخیص بهتر بوده و معیارهای دقت و حساسیت به 25/93 درصد و 100 درصد رسیده است. نتیجه­‌گیری در مرحله پیش‌پردازش نویزهایی که به سبب قطعه‌بندی گلبول‌های قرمز مشخص‌ شده، از زمینه جداسازی می‌شوند و سپس به کمک موجک، ویژگی‌ها استخراج شده و با چند شبکه عصبی و ماشین بردار پشتیبان این داده‌ها مورد آموزش، آزمون و ارزیابی قرار داده‌ می شوند. در این پژوهش از پایگاه داده بیماری مالاریا با 240 تصویر و نرم­افزار Matlab استفاده شد و به کارایی مطلوب 78/99 درصد بهبود یافته است.

active contour model, categorization, extracting features, malaria, vector supporting machine, wavelet, مدل کانتور فعال, طبقه‌بندی, استخراج ویژگی, بیماری مالاریا, ماشین بردار پشتیبان, موجک