Recognition and categorization of blood groups by machine learning and image processing method
| dc.contributor.author | Mustafa F. Mahmood | |
| dc.date.accessioned | 2024-12-10T14:03:30Z | |
| dc.date.available | 2024-12-10T14:03:30Z | |
| dc.date.issued | 2024 | |
| dc.description.abstract | Background. Red blood cells are one of the components of blood. Blood is an important fluid in the human body. Knowing the blood groups is essential in blood transfusion operations, which depend on fixed conditions to avoid fatal errors. The method that is used to determine the blood groups is a traditional method that relies on medical laboratory technicians, as it is subject to human errors. Objective. This paper aims to design and implement a prototype to detect and classify blood groups to avoid human error in blood group detection. The proposed system employs image processing and machine learning algorithms for blood group detection and classification. Methods. The system consists of three stages. First, samples were collected from volunteers. Second, images of the samples were captured using a camera. Third, the images were analyzed using two methods: image processing via MATLAB and machine learning algorithms via Orange, for blood group detection and classification. Results. The accuracy in processing images using the MATLAB program reached 100%, with processing time ranged from 1.5 to 1.6 seconds. Additionally, using machine learning with neural networks in the Orange program, the accuracy was 99.7%, with training times of 13.7 seconds and testing times of 1.2 seconds. Neural networks outperformed other models, as shown in the experimental results. The study concluded that automated blood type detection using image processing and machine learning methods is effective and feasible compared to manual methods. The proposed system outperformed previous studies in terms of accuracy, processing time, training time, and testing time using both methods. Conclusions. This study underscores the urgent need for precise blood type determination before emergency blood transfusions, which currently relies on manual inspection and is susceptible to human errors. These errors have the potential to endanger lives during blood transfusions. The main goal of the research was to develop an approach that combines image processing and machine learning to accurately classify blood groups. | |
| dc.description.abstractother | Проблематика. Еритроцити є одним із компонентів крові. Кров є важливою рідиною в організмі людини. Знання груп крові має важливе значення під час переливання крові, яке здійснюється в контрольованих умовах, що забезпечує уникнення фатальних помилок. Для визначення груп крові використовується традиційний метод, коли задяні медичні лаборанти, тому можуть мати місце помилки, викликані людським фактором. Мета. Ми маємо на меті розробити й реалізувати прототип для виявлення та класифікації груп крові, що дасть змогу уникнути помилок, викликаних людським фактором, при визначенні групи крові. Запропонована система використовує обробку зображень і алгоритми машинного навчання для виявлення та класифікації груп крові. Методика реалізації. Система складається з трьох етапів. На першому ми збираємо зразки у волонтерів. На другому викорис- товуємо камеру, щоб зробити зображення для зразка. На третьому аналізуємо зображення двома методами: обробкою зобра- жень за допомогою Matlab і застосовуючи алгоритми машинного навчання за допомогою Orange для виявлення та класифікації груп крові. Результати. Точність обробки зображень за допомогою програми MATLAB досягала 100 %, а час обробки становив 1,5–1,6 с. Крім того, у програмі Orange з використанням машинного навчання нейронними мережами точність досягла 99,7 %, час навчан- ня становив 13,7 с, а час тестування – 1,2 с. Також, як показали результати експерименту, нейронні мережі були кращими за інші модельні блоки. Наші результати показали, що автоматичне визначення групи крові за допомогою методів обробки зобра- жень і машинного навчання є ефективним і виправданим порівняно з ручним методом. Запропонована система перевершила попередні дослідження щодо точності, часу обробки, часу навчання та часу тестування завдяки використанню двох методів. Висновки. Це дослідження зосереджено на нагальній потребі в точному визначенні групи крові перед екстреним переливанням крові, яке базується на ручній перевірці та чутливе до помилок, викликаних людським фактором. Ці помилки потенційно можуть загрожувати життю під час переливання крові. Основною метою дослідження було розробити підхід, який поєднує обробку зображень і машинне навчання, для точної класифікації груп крові. | |
| dc.format.pagerange | Pp. 53-68 | |
| dc.identifier.citation | Mustafa F. Mahmood. Recognition and categorization of blood groups by machine learning and image processing method / Mustafa F. Mahmood // Innovative Biosystems and Bioengineering : international scientific journal. – 2024. – Vol. 8, No. 2. – P. 53-68. – Bibliogr.: 50 ref. | |
| dc.identifier.doi | https://doi.org/10.20535/ibb.2024.8.2.298201 | |
| dc.identifier.uri | https://ela.kpi.ua/handle/123456789/71123 | |
| dc.language.iso | uk | |
| dc.publisher | Igor Sikorsky Kyiv Polytechnic Institute | |
| dc.publisher.place | Kyiv | |
| dc.relation.ispartof | Innovative Biosystems and Bioengineering: international scientific e-journal, Vol. 8, No. 2 | |
| dc.rights.uri | https://creativecommons.org/licenses/by/4.0/ | |
| dc.title | Recognition and categorization of blood groups by machine learning and image processing method | |
| dc.type | Article |
Файли
Контейнер файлів
1 - 1 з 1
Ліцензійна угода
1 - 1 з 1
Ескіз недоступний
- Назва:
- license.txt
- Розмір:
- 8.98 KB
- Формат:
- Item-specific license agreed upon to submission
- Опис: