Malaria Cell Image Classification Using Compact Deep Learning Architectures on Jetson TX2
Technologies
Adán-Antonio Alonso-RamírezORCID
Departamento de Ingenieria Electrónica. Línea de Investigación, Bioelectrónica, Tecnológico Nacional de México en Celaya, Celaya 38010, Mexico
Alejandro-Israel Barranco-GutiérrezORCID
Departamento de Ingenieria Electrónica. Línea de Investigación, Bioelectrónica, Tecnológico Nacional de México en Celaya, Celaya 38010, Mexico
Iris-Iddaly Méndez-GurrolaORCID
Departamento de Diseño, Instituto de Arquitectura, Diseño y Arte, Universidad Autónoma de Ciudad Juárez, Ciudad Juárez 32310, Mexico
Marcos Gutiérrez-López
Tecnológico Nacional de México en Morelia, TecNM-Morelia, Morelia 58120, Mexico
Juan Prado-OlivarezORCID
Departamento de Ingenieria Electrónica. Línea de Investigación, Bioelectrónica, Tecnológico Nacional de México en Celaya, Celaya 38010, Mexico
Francisco-Javier Pérez-PinalORCID
Departamento de Ingenieria Electrónica. Línea de Investigación, Bioelectrónica, Tecnológico Nacional de México en Celaya, Celaya 38010, Mexico
J. Jesús Villegas-SaucilloORCID
Departamento de Ingenieria Electrónica. Línea de Investigación, Bioelectrónica, Tecnológico Nacional de México en Celaya, Celaya 38010, Mexico
Jorge-Alberto García-MuñozORCID
Departamento de Ingenieria Electrónica. Línea de Investigación, Bioelectrónica, Tecnológico Nacional de México en Celaya, Celaya 38010, Mexico
Carlos-Hugo García-CapulínORCID
Departamento de Electrónica, Universidad de Guanajuato DICIS, Salamanca 36885, Mexico
Malaria is a significant global health issue, especially in tropical regions. Accurate and rapid diagnosis is critical for effective treatment and reducing mortality rates. Traditional diagnostic methods, like blood smear microscopy, are time-intensive and prone to error. This study introduces a deep learning approach for classifying malaria-infected cells in blood smear images using convolutional neural networks (CNNs); Six CNN models were designed and trained using a large labeled dataset of malaria cell images, both infected and uninfected, and were implemented on the Jetson TX2 board to evaluate them. The model was optimized for feature extraction and classification accuracy, achieving 97.72% accuracy, and evaluated using precision, recall, and F1-score metrics and execution time. Results indicate deep learning significantly improves diagnostic time efficiency on embedded systems. This scalable, automated solution is particularly useful in resource-limited areas without access to expert microscopic analysis. Future work will focus on clinical validation.