CLASSIFICATION OF PARASITE EGG TYPES WITH A FUSION MODEL

Intestinal parasites represent a significant public health issue worldwide, with particularly high prevalence in tropical and developing countries. These parasites reside in the host's intestinal system, feeding and causing various health problems; if left untreated, they can lead to serious complications such as vomiting, diarrhea, weakness, and developmental disorders in children. Therefore, timely detection of parasitic infections is critical for protecting individual health and improving public health outcomes. Traditional microscopic examination methods face challenges such as low efficiency and reliance on expert interpretation. In this context, artificial intelligence-based automated detection systems enhance the efficiency of healthcare services by enabling the rapid and accurate identification of parasites. This study examines the integration of deep learning and machine learning methods using the Chula-Parasite-Egg-11 dataset, and the results demonstrate significant performance improvements in parasite detection through these approaches. The highest performance was achieved with the ViT-FPN-supported YOLO11m model, with an F1 score of 99.53% and an mAP score of 95.62%. Additionally, combining the outputs of deep learning-based approaches with machine learning classifiers improved accuracy rates, making resource utilization more efficient. This research highlights the effectiveness of artificial intelligence applications in parasite detection, making a significant contribution to the literature.

Bağırsak parazitleri, dünya genelinde önemli bir halk sağlığı sorunu oluşturarak, özellikle tropik ve gelişmekte olan ülkelerde yüksek yayılım göstermektedir. Bu parazitler, konakçıların bağırsak sisteminde yaşar ve beslenerek çeşitli sağlık sorunlarına yol açar; tedavi edilmediğinde kusma, ishal, güçsüzlük ve çocuk gelişiminde bozukluk gibi ciddi komplikasyonlar doğurabilir. Bu nedenle, parazit enfeksiyonlarının zamanında tespiti, bireylerin sağlık durumunu korumak ve toplum sağlığını iyileştirmek için kritik öneme sahiptir. Geleneksel mikroskobik inceleme yöntemleri, düşük verimlilik ve uzman bağımlılığı gibi sorunlarla karşı karşıyadır. Bu bağlamda, yapay zeka tabanlı otomatik tespit sistemleri, parazitlerin hızlı ve doğru bir şekilde tanımlanmasını sağlayarak sağlık hizmetlerinin etkinliğini artırmaktadır. Bu çalışma, Chula-Parasite-Egg-11 veri kümesi kullanarak derin öğrenme ve makine öğrenmesi yöntemlerinin entegrasyonunu incelemekte ve elde edilen sonuçlar, bu yaklaşımların parazit tespitinde önemli performans artışları sağladığını göstermektedir. Yapılan deneyler sonucu en yüksek başarı ViT-FPN destekli YOLO11m modeli ile elde edilmiş; F1 skoru %99,53, mAP skoru ise %95,62 olarak ölçülmüştür. Ayrıca, derin öğrenme tabanlı yaklaşımların çıktılarının makine öğrenmesi sınıflayıcılarıyla birleştirilmesi, doğruluk oranlarını artırarak kaynak kullanımını daha verimli hale getirmiştir. Bu araştırma, parazit tespitinde yapay zeka uygulamalarının etkinliğini vurgulayarak, literatüre önemli bir katkı sunmaktadır.