TY - JOUR A2 - Zhang, Yin AU - Masud, Mehedi AU - Alhumyani, Hesham AU - Alshamrani, Sultan S. AU - Cheikhrouhou, Omar AU - Ibrahim, Saleh AU - Muhammad, Ghulam AU - hosssain, M. Shamim AU - Shorfuzzaman，疟疾是一种传染性疾病，每年影响数百万人的生命。传统的实验室疟疾诊断需要有经验的人员和仔细检查，以区分健康和感染的红细胞。它也非常耗时，并且可能由于人为错误而产生不准确的报告。认知计算和深度学习算法模拟人类智能，在情感分析、语音识别、人脸检测、疾病检测和预测等应用中做出更好的人类决策。由于认知计算和机器学习技术的发展，它们现在被广泛用于医疗保健领域的早期疾病症状的检测和预测。有了早期预测结果，医护人员可以为患者的诊断和治疗提供更好的决策。机器学习算法还帮助人类处理庞大而复杂的医疗数据集，然后将其分析为临床见解。本文寻求利用深度学习算法检测致命疾病疟疾，为患者的移动医疗解决方案构建一个有效的移动系统。本文的目的是展示深度学习架构，如卷积神经网络(CNN)，它可以有效和准确地从输入图像实时检测疟疾，并通过移动应用程序减少人工劳动。 To this end, we evaluate the performance of a custom CNN model using a cyclical stochastic gradient descent (SGD) optimizer with an automatic learning rate finder and obtain an accuracy of 97.30% in classifying healthy and infected cell images with a high degree of precision and sensitivity. This outcome of the paper will facilitate microscopy diagnosis of malaria to a mobile application so that reliability of the treatment and lack of medical expertise can be solved. SN - 1530-8669 UR - https://doi.org/10.1155/2020/8895429 DO - 10.1155/2020/8895429 JF - Wireless Communications and Mobile Computing PB - Hindawi KW - ER -