There are only a few researchers used artificial intelligence to classify malaria parasites. The purpose of this project is to classify malaria parasites into Plasmodium falciparum, Plasmodium vivax and Plasmodium malariae based on ratio of infected red blood cell’s (RBC) size to normal RBC’s size, shape of parasite, location of chromatin, number of chromatin, texture of infected RBC, and number of parasite per RBC using different types of neural network. Throughout the project, the suitability of the application of neural networks in malaria parasites classification will be investigated. The best neural network will be implemented to build an intelligent classifier for malaria parasites. The first stage of this project is to develop the neural network using MATLAB Hanya terdapat beberapa penyelidik yang menggunakan kecerdikan rekaan untuk pengkelasan parasit malaria. Tujuan projek ini ialah untuk mengkelaskan parasit malaria kepada Plasmodium falciparum, Plasmodium vivax dan Plasmodium malariae berdasarkan nisbah saiz sel darah merah terjangkit kepada saiz sel darah merah normal, bentuk parasit, kedudukan kromatin, bilangan kromatin, tekstur sel darah merah terjangkit dan bilangan parasit dalam sel darah merah dengan menggunakan pelbagai jenis rangkaian neural. Dalam projek ini, kesesuaian aplikasi rangkaian neural dalam pengkelasan parasit malaria akan dikaji. Rangkaian neural yang terbaik akan diimplemenkan untuk pembinaan sistem pengkelasan parasit malaria. Peringkat pertama ialah membina rangkaian neural menggunakan ‘MATLAB Neural Network Toolbox’ dan ‘Borland C++ Builder’. Rangkaian Perceptron Lapisan Berbilang (MLP) dan Rangkaian Fungsi Asas Jejarian (RBF) akan dibina dalam MATLAB di mana rangkaian MLP dilatih dengan algoritma perambatan balik, Levenberg-Marquardt dan aturan Bayesian manakala rangkaian RBF dilatih dengan algoritma pengelompokan purata-k. Rangkaian Perceptron Lapisan Berbilang Hibrid (HMLP) dengan algortitma ralat ramalan rekursif ubahsuai akan dibina menggunakan ‘Borland C++ Builder’. Perinkat kedua melibatkan perbandingan antara prestasi pelbagai rangkaian neural yang dibina untuk mendapatkan rangkaian neural terbaik dan sistem pengkelasan akan dibina dalam ‘Borland C++ Builder’. Keputusan menunjukkan rangkaian HMLP adalah rangkaian neural terbaik dalam pengkelasan parasit malaria. Produk akhir adalah sebuah sisitem perisian yang dapat mengklasifikasikan parasit malaria dengan jitu, mempunyai kebolehgunaan yang tinggi, cepat dan murah.
_________________________________________________________________________________________
Neural Network Toolbox and Borland C++ Builder. Multilayer Perceptron (MLP) network and Radial Basis Function (RBF) network will be developed using MATLAB in which MLP network is trained with Back Propagation, Bayesian Rule and Levenberg-Marquardt learning algorithm and RBF network is trained with k-means clustering algorithm. Hybrid Multilayer Perceptron (HMLP) network with modified recursive prediction error algorithm will be developed using Borland C++ Builder. In the second stage, comparison will be done on the performance of neural networks developed to yield the best neural network and malaria parasites classification system will be developed using Borland C++ Builder. Result shows that HMLP network is the best neural network in classification of malaria parasites. It has a simple architecture, intelligent and accurate. The final product of this project is a software system that is capable to classify malaria parasites with high accuracy, high applicability, fast and cheap.
Application of neural network in malaria parasites classification_Lim Chia Li_E3_2006_NI