論文の概要: MOSQUITO-NET: A deep learning based CADx system for malaria diagnosis
along with model interpretation using GradCam and class activation maps
- arxiv url: http://arxiv.org/abs/2006.10547v2
- Date: Fri, 19 Jun 2020 05:57:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-19 20:46:58.425472
- Title: MOSQUITO-NET: A deep learning based CADx system for malaria diagnosis
along with model interpretation using GradCam and class activation maps
- Title（参考訳）: mosquito-net: gradcamとクラスアクティベーションマップを用いたモデル解釈によるマラリア診断のための深層学習型cadxシステム
- Authors: Aayush Kumar, Sanat B Singh, Suresh Chandra Satapathy, Minakhi Rout
- Abstract要約: マラリアは世界でも最も致命的な病気の1つで、毎年数千人が死亡している。
マラリアの原因となる寄生虫は、科学的にはプラスモジウムと呼ばれ、ヒトの赤血球に感染する。
マラリアの診断には、顕微鏡的血腫の医療従事者による寄生細胞の同定と手動計測が必要である。
- 参考スコア（独自算出の注目度）: 9.01199960262149
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Malaria is considered one of the deadliest diseases in today world which
causes thousands of deaths per year. The parasites responsible for malaria are
scientifically known as Plasmodium which infects the red blood cells in human
beings. The parasites are transmitted by a female class of mosquitos known as
Anopheles. The diagnosis of malaria requires identification and manual counting
of parasitized cells by medical practitioners in microscopic blood smears. Due
to the unavailability of resources, its diagnostic accuracy is largely affected
by large scale screening. State of the art Computer-aided diagnostic techniques
based on deep learning algorithms such as CNNs, with end to end feature
extraction and classification, have widely contributed to various image
recognition tasks. In this paper, we evaluate the performance of custom made
convnet Mosquito-Net, to classify the infected and uninfected cells for malaria
diagnosis which could be deployed on the edge and mobile devices owing to its
fewer parameters and less computation power. Therefore, it can be wildly
preferred for diagnosis in remote and countryside areas where there is a lack
of medical facilities.
- Abstract（参考訳）: マラリアは世界でも最も致命的な病気の1つであり、年間数千人が死亡している。
マラリアの原因となる寄生虫は、科学的にはプラスモジウムと呼ばれ、ヒトの赤血球に感染する。
寄生虫は、アノフェレスとして知られるメスの蚊によって伝染する。
マラリアの診断には、顕微鏡的血腫の医療従事者による寄生細胞の同定と手動計測が必要である。
リソースが利用できないため、診断精度は大規模なスクリーニングによって大きく影響を受ける。
最先端のコンピュータ支援診断技術は,cnnなどの深層学習アルゴリズムに基づいて,特徴抽出と分類を行い,様々な画像認識タスクに広く貢献している。
本稿では,感染細胞と感染していない細胞を分類し,そのパラメータが小さく,計算能力も低いため,エッジやモバイルデバイスに展開可能なマラリア診断のためのカスタムコンブネットMosquito-Netの性能を評価する。
そのため、医療施設が不足している遠隔地や農村部では、診断に大いに好まれる。
関連論文リスト
- Malaria Cell Detection Using Deep Neural Networks [1.1237179306040028]
マラリアは世界中で最も深刻な公衆衛生上の懸念の1つだ。
血液スミアの顕微鏡検査などの従来の診断法は、労働集約的である。
本研究の目的は, 深層学習によるマラリア感染細胞の自動検出である。
論文 参考訳（メタデータ） (2024-06-28T15:44:55Z) - CodaMal: Contrastive Domain Adaptation for Malaria Detection in Low-Cost Microscopes [51.5625352379093]
マラリアは世界中で大きな問題であり、診断には低コストの顕微鏡(LCM)で効果的に動作するスケーラブルなソリューションが必要である。
ディープラーニングに基づく手法は、顕微鏡画像からコンピュータ支援による診断に成功している。
これらの方法には、マラリア原虫の感染した細胞とその生活段階を示す注釈画像が必要である。
LCMからの注記画像は、高精細顕微鏡(HCM)からの注記画像と比較して医療専門家の負担を著しく増大させる
論文 参考訳（メタデータ） (2024-02-16T06:57:03Z) - Computer-aided Diagnosis of Malaria through Transfer Learning using the
ResNet50 Backbone [0.0]
マラリアの原因は寄生虫のプラスモジウム(Plasmodium parasite)である。
本稿では、ResNet50 Deep Neural Networkを用いて、マラリアの細いスミア細胞像を寄生・無感染と分類するための、コンピュータ支援による自動診断手法を提案する。
論文 参考訳（メタデータ） (2023-04-06T08:31:15Z) - SSD-KD: A Self-supervised Diverse Knowledge Distillation Method for
Lightweight Skin Lesion Classification Using Dermoscopic Images [62.60956024215873]
皮膚がんは最も一般的な悪性腫瘍の1つであり、人口に影響を与え、世界中で経済的な重荷を負っている。
皮膚がん検出のほとんどの研究は、ポータブルデバイス上での計算資源の制限を考慮せずに、高い予測精度を追求している。
本研究は,皮膚疾患分類のための汎用的なKDフレームワークに多様な知識を統一する,SSD-KDと呼ばれる新しい手法を提案する。
論文 参考訳（メタデータ） (2022-03-22T06:54:29Z) - End-to-end Malaria Diagnosis and 3D Cell Rendering with Deep Learning [0.0]
マラリアは寄生虫感染であり、世界的な健康に重大な負担を与える。
30秒ごとに1人の子供が死亡し、毎年100万人以上が死亡している。
マラリアを診断するための現在の金の基準は、顕微鏡、試薬、その他の装置を必要とし、低社会経済的括弧の患者はアクセスできない。
論文 参考訳（メタデータ） (2021-07-08T08:13:11Z) - Relational Subsets Knowledge Distillation for Long-tailed Retinal
Diseases Recognition [65.77962788209103]
本研究では,長尾データを知識に基づいて複数のクラスサブセットに分割し,クラスサブセット学習を提案する。
モデルがサブセット固有の知識の学習に集中するように強制する。
提案手法は長期網膜疾患認識タスクに有効であることが判明した。
論文 参考訳（メタデータ） (2021-04-22T13:39:33Z) - In-Line Image Transformations for Imbalanced, Multiclass Computer Vision
Classification of Lung Chest X-Rays [91.3755431537592]
本研究は、COVID-19 LCXRデータ不足のバランスをとるために画像変換を適用するために、文献の体系を活用することを目的としている。
convolutional neural networks(cnns)のようなディープラーニング技術は、健康状態と疾患状態を区別する特徴を選択することができる。
本研究は,CNNアーキテクチャを用いて高速多クラスLCXR分類を94%精度で行う。
論文 参考訳（メタデータ） (2021-04-06T02:01:43Z) - Intestinal Parasites Classification Using Deep Belief Networks [53.20999552522241]
40億ドルの人々が腸内寄生虫に感染している。
人間の視覚検査はまだ臨床診断の大部分を担当している。
腸内寄生虫自動分類の文脈に深層信念ネットワークを導入する。
論文 参考訳（メタデータ） (2021-01-17T18:47:02Z) - One-Shot Learning with Triplet Loss for Vegetation Classification Tasks [45.82374977939355]
三重項損失関数は、ワンショット学習タスクの精度を大幅に向上できる選択肢の1つである。
2015年からは、多くのプロジェクトがシームズネットワークとこの種の損失を顔認識とオブジェクト分類に利用している。
論文 参考訳（メタデータ） (2020-12-14T10:44:22Z) - Localization of Malaria Parasites and White Blood Cells in Thick Blood
Smears [5.36646793661301]
本研究はマラリア原虫および白血球(WBCs)の局在と数に対するエンドツーエンドアプローチを提案する。
血液スミア画像のスライスデータセットを用いて,得られたデジタル画像を解析するモデルを構築した。
予備的な結果は、我々のディープラーニングアプローチがマラリア原虫とWBCの数を確実に検出し、返却していることを示している。
論文 参考訳（メタデータ） (2020-12-03T15:14:38Z) - Malaria Detection and Classificaiton [0.38233569758620056]
世界保健機関(WHO)によると、マラリアは世界的な懸念の種である。
本研究では,マラリアの診断のための枠組みを提唱した。
我々は,第1層のFaster-RCNNを用いて感染した細胞を検知し,収穫した細胞を分離したニューラルネットワークに給餌して分類する2層アプローチを採用した。
論文 参考訳（メタデータ） (2020-11-29T10:04:01Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。