Table 2 in An optimised YOLOv 4 deep learning model for efficient malarial cell detection in thin blood smear images

Table 2 Performance comparison of the proposed YOLO model with those reported other published works AuthorsTechniquesDatasets/Blood smearsPlasmodium parasitesmAP (%)Yang F et al. [30]Modified YOLOv2Self-collected 2567 thin blood smear imagesP.vivax79.22Koirala.et al. [33]Modified YOLOv3 and YOLOV4 TinySelf-collected 3885 thick blood smear imagesP.falciparum94.07Sukumarran et al. [32]YOLOv4MP-IDB and 236 images from MRC-UNIMAS SarawakP.falciparum P.vivax84.04P.ovaleP.malariaeP.knowlesiAbdurahman et al. [62]Modified YOLOv3 and YOLOv4Publicly available 1182 thick blood smear imagesP.falcipraum89.73Present study (YOLOv4-RC3_4)Modified YOLOv4MP-IDB The malaria parasite image database and new dataset from MRC-UNIMAS SarawakP.falciparum90.07P.vivaxP.ovaleP.malariaeP.knowlesi mAP Mean average precision, MP-IDB Malaria Parasite Image Database, MRC-UNIMAS Malaria Research Centre-Universiti Malaysia Sarawak, YOLO You Only Look Once object detection algorithm表2 本文提出的YOLO（You Only Look Once，目标检测算法）模型与已发表的其他相关研究的性能对比。各研究的对比维度包括作者与技术方案、数据集/血涂片样本、疟原虫种类以及平均精度均值（mAP，Mean Average Precision）： 1. Yang F等[30]：采用改进型YOLOv2，使用自建的2567张薄血涂片图像，仅针对间日疟原虫（*P.vivax*），mAP为79.22%； 2. Koirala等[33]：采用改进型YOLOv3与YOLOv4 Tiny，使用自建的3885张厚血涂片图像，仅针对恶性疟原虫（*P.falciparum*），mAP为94.07%； 3. Sukumarran等[32]：采用YOLOv4，使用MP-IDB（疟疾寄生虫图像数据库，Malaria Parasite Image Database）以及来自马来西亚砂拉越大学疟疾研究中心（Malaria Research Centre-Universiti Malaysia Sarawak，缩写MRC-UNIMAS）的236张图像，涵盖恶性疟原虫、间日疟原虫、卵形疟原虫（*P.ovale*）、三日疟原虫（*P.malariae*）、诺氏疟原虫（*P.knowlesi*），mAP为84.04%； 4. Abdurahman等[62]：采用改进型YOLOv3与YOLOv4，使用公开获取的1182张厚血涂片图像，仅针对恶性疟原虫，mAP为89.73%； 5. 本研究（YOLOv4-RC3_4）：采用改进型YOLOv4，使用MP-IDB疟疾寄生虫图像数据库以及来自MRC-UNIMAS砂拉越的新增数据集，涵盖恶性疟原虫、间日疟原虫、卵形疟原虫、三日疟原虫、诺氏疟原虫，mAP为90.07%。 术语说明： mAP：平均精度均值（Mean Average Precision）； MP-IDB：疟疾寄生虫图像数据库（Malaria Parasite Image Database）； MRC-UNIMAS：马来西亚砂拉越大学疟疾研究中心（Malaria Research Centre-Universiti Malaysia Sarawak）； YOLO：You Only Look Once，即单次多框检测目标检测算法。