Eine tiefe Architektur auf Basis von Aufmerksamkeitsmechanismen zur effektiven end-to-end-Detektion von frühen und reifen Malariaerreger in einer realistischen Szenario

Hintergrund: Malaria ist eine kritische und potenziell tödliche Erkrankung, verursacht durch den Plasmodium-Parasiten, und verantwortlich für mehr als 600.000 Todesfälle weltweit. Die frühzeitige und genaue Detektion von Malaria-Parasiten ist entscheidend für eine wirksame Behandlung, wobei die herkömmliche Mikroskopie jedoch aufgrund von Variabilität und geringer Effizienz limitiert ist.Methoden: Wir stellen einen neuartigen, computergestützten Detektionsansatz basierend auf Deep Learning und Aufmerksamkeitsmechanismen vor, der die Modelle YOLO-SPAM und YOLO-PAM erweitert. Unser Ansatz ermöglicht die Detektion und Klassifizierung von Malaria-Parasiten über alle Infektionsstadien hinweg und unterstützt die Identifizierung mehrerer Spezies.Ergebnisse: Das Framework wurde an drei öffentlich verfügbaren Datensätzen evaluiert und zeigte eine hohe Genauigkeit bei der Detektion von vier unterschiedlichen Malaria-Spezies und deren Lebensstadien. Eine vergleichende Analyse gegenüber state-of-the-art-Methoden zeigt signifikante Verbesserungen sowohl in der Detektionsrate als auch in der diagnostischen Relevanz.Schlussfolgerung: Diese Studie präsentiert eine robuste Lösung für die automatisierte Malaria-Detektion, die Pathologen wertvolle Unterstützung bietet und die diagnostischen Praktiken in realen Anwendungsszenarien signifikant verbessert.