# Deep CNN frameworks comparison for malaria diagnosis

**Authors:** Priyadarshini Adyasha Pattanaik, Zelong Wang, Patrick Horain  
**arXiv:** [1909.02829](https://arxiv.org/abs/1909.02829)  
**Date:** 2019-09-06  
**Summary page:** https://www.summarizepaper.com/fr/arxiv-id/1909.02829v1/

## Key points

- Comparaison des performances de deux cadres de réseaux neuronaux convolutifs profonds (DCNN) : AlexNet et VGGNet
- Classification d'images microscopiques en niveaux de gris représentant des cellules saines et infectées par le paludisme
- Étude réalisée lors de la Conférence irlandaise sur la vision artificielle et le traitement d'images IMVIP 2019 à Dublin, en Irlande
- Auteurs : Priyadarshini Adyasha Pattanaik, Zelong Wang et Patrick Horain
- Résultats expérimentaux prometteurs pour une classification rapide, automatique et précise dans des images non colorées avec un petit ensemble d'entraînement disponible.

## Summary

Nous avons comparé les performances de deux cadres de réseaux neuronaux convolutifs profonds (DCNN), à savoir AlexNet et VGGNet, pour la classification d'images microscopiques en niveaux de gris de faible qualité et basse résolution représentant des cellules saines et infectées par le paludisme. Cette étude a été réalisée lors de la Conférence irlandaise sur la vision artificielle et le traitement d'images IMVIP 2019 à Dublin, en Irlande par Priyadarshini Adyasha Pattanaik, Zelong Wang et Patrick Horain. Les résultats expérimentaux ont montré des résultats prometteurs pour une classification rapide, automatique et précise dans des images non colorées même avec un petit ensemble d'entraînement disponible.