Malaria Disease Detection via Deep Learning Methods Derived from Blood Cell Images

Abstract

Malaria remains a significant global health challenge, claiming hundreds of thousands of lives each year, thereby highlighting the urgent need for rapid and accurate diagnostic methods. Traditional diagnostic techniques, such as microscopy and rapid diagnostic tests, are often labor-intensive, time-consuming, and prone to human error.

Although many machine learning-based studies have aimed to achieve automated detec- tion of malaria-infected cells, their effectiveness is limited by challenges such as variability

in microscopic red blood cell images, including variations in cell shape, density, and staining properties, as well as ambiguity in distinguishing between certain cell classes.

Recently, Deep learning-based methods have demonstrated as powerful tools for auto- matic feature extraction and detection in various image recognition tasks, including malaria

diagnosis.

To this end, this study proposes a deep learning-based approach for the automatic clas- sification of malaria-infected and uninfected red blood cells using labeled high-resolution mi- croscopic images. The main contribution is the application of EfficientNetB2 through transfer

learning, which is known for its optimized performance-to-complexity ratio. This model is

employed to extract discriminative features from red blood cell images, enabling robust clas- sification of parasitized and uninfected cells. The model is fine-tuned on a publicly available

dataset from the National Institutes of Health (NIH), which includes 27,558 microscopic im- ages of red blood cells. Experimental results demonstrate that the EfficientNetB2-based

model significantly improves performance, achieving an accuracy of 99.35%, and outper- forms both traditional methods and most previous studies

Le paludisme demeure un défi majeur pour la santé mondiale, causant chaque année la mort de centaines de milliers de personnes, ce qui souligne l’urgence de développer des méthodes de diagnostic rapides et précises. Les techniques de diagnostic traditionnelles, telles que la microscopie et les tests de diagnostic rapide, sont souvent laborieuses, longues et sujettes à des erreurs humaines. Bien que de nombreuses études basées sur l’apprentissage automatique aient tenté de

détecter automatiquement les cellules infectées par le paludisme, leur efficacité reste lim- itée en raison de divers défis, notamment la variabilité des images microscopiques des cel- lules sanguines : différences de forme, de densité, de propriétés de coloration, ainsi que

l’ambiguïté dans la distinction entre certaines classes cellulaires. Récemment, les méthodes basées sur l’apprentissage profond se sont révélées être des

outils puissants pour l’extraction automatique de caractéristiques et la détection dans di- verses tâches de reconnaissance d’images, y compris le diagnostic du paludisme.

Dans ce contexte, cette étude propose une approche basée sur l’apprentissage profond pour la classification automatique des cellules sanguines infectées et non infectées par le paludisme, en utilisant des images microscopiques haute résolution annotées. La principale contribution réside dans l’application du modèle EfficientNetB2 à travers l’apprentissage par transfert (Transfer Learning), reconnu pour son excellent rapport performance-complexité. Ce modèle est utilisé pour extraire des caractéristiques discriminantes à partir des images cellulaires, permettant une classification robuste des cellules parasitées et non parasitées. Le modèle est affiné à l’aide d’un jeu de données public fourni par les National Institutes of Health (NIH), contenant 27 558 images microscopiques de globules rouges. Les résultats expérimentaux montrent que le modèle basé sur EfficientNetB2 améliore considérablement

les performances, atteignant une précision de 99,35 %, surpassant ainsi les méthodes tra- ditionnelles et la majorité des études précédentes.