Neural architecture search using harmony search optimizer applied to malaria detection

Abstract

Resumo: A malária causa centenas de milhares de mortes todos os anos. As técnicas de diagnóstico tradicionais são demoradas, caras e requerem pessoal qualificado para a contagem manual de glóbulos vermelhos. Soluções automatizadas foram tentadas no passado, mas não são comercialmente viáveis, principalmente devido à baixa precisão, modelos grandes inviáveis que são difíceis de implantar em campo e falta de interesse comercial. As implementações atuais de detecção automatizada são divididas em duas categorias: baseadas em recursos e baseadas em visão. O primeiro produz resultados com baixa precisão ( -score < 0,8) e o último gera modelos grandes para implementação móvel. Esta dissertação propõe o uso da abordagem com CNNs para classificar e contar RBCs para o diagnóstico da malária. A metaheurística de otimização HS é aplicada para procurar topologias CNN econômicas, mantendo uma precisão razoável. Novas métricas denominadas -score considerando custo ?? computacional ) e -score considerando custo computacional logaritmicamente ) são sugeridas para avaliar a implementação da topologia com base em indicadores de precisão e custo computacional. A configuração do experimento inclui o treinamento de várias topologias de CNNs usando o HS para procurar por topologias ótimas. As métricas usadas para HS são duas novas métricas, ?? e . Além disso, os testes U de Mann-Whitney são aplicados para medir a diferença entre os resultados da HS e o modelo da CNN. Este trabalho alcança modelos CNN com uma pontuação F1 de 0,95 e apenas 4.909 e 7479 parâmetros, produzindo uma redução de 100 e 54 vezes no tamanho do modelo (p = 0,006) ao usar ?? e ,respectivamente. Com esses resultados, pode-se concluir que o uso da HS para buscar topologias de modelos eficientes é viável. Além disso, a utilização de tais estruturas também pode ser aplicada em outras buscas de topologia.

Abstract: Malaria causes hundreds of thousands of deaths every year. Traditional diagnostic techniques are time-consuming, expensive, and require skilled personnel for manual red blood cell (RBC) counting. Automated solutions have been attempted in the past but are not commercially viable, mainly due to low accuracy, unfeasibly big models that are hard to deploy on the field, and lack of commercial interest. The current implementations of automated detection are divided into two categories: features-based and vision-based. The former generates results with low accuracy ( -score < 0.8) and ?? the latter generates models that are too large for mobile implementation. This dissertation proposes using the Convolutional Neural Network (CNN) approach to classify and count RBCs for malaria diagnosis. The Harmony Search (HS) optimization approach is applied to search for cost-effective CNN topologies while maintaining reasonable accuracy. New metrics called ?? -score considering computational cost ( ) and -score considering computational cost logarithmically ( ) are suggested for evaluating topology implementation based on accuracy and computational cost indicators. The experiment setup includes training several topologies of CNNs using the HS to search for optimal topologies. The metrics used to search for optimal topologies are the two new metrics ?? and . Furthermore, Mann-Witney U-tests are applied to measure the difference between the search results for the CNN design. This work achieves CNN models with an -score of 0.95 and as ?? few as 4,909 and 7479 parameters, yielding a 100-fold and 54-fold reduction in model size (confidence interval given by probabilistic value p=0.006) when using and , respectively. With these results, it can be concluded that using HS to look for efficient model topologies is viable. Also, using such frameworks may also be applied in other topology searches outside of malaria detection.