論文の概要: A Preliminary Exploration into an Alternative CellLineNet: An Evolutionary Approach

• arxiv url: http://arxiv.org/abs/2007.13044v1
• Date: Sun, 26 Jul 2020 02:36:56 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-06 19:35:53.774322
• Title: A Preliminary Exploration into an Alternative CellLineNet: An Evolutionary Approach
• Title（参考訳）: 代替セルラインネットへの予備的探索--進化的アプローチ
• Authors: Akwarandu Ugo Nwachuku, Xavier Lewis-Palmer, Darlington Ahiale Akogo
• Abstract要約: 本稿では,上皮性乳癌細胞株の分類に有効な畳み込みニューラルネットワークであるCellLineNetの進化的アプローチについて検討する。 EvoCELLの約束は、与えられたタスクに最適なモデルアーキテクチャを生成する機能抽出ブロックの組み合わせや配置を予測することである。 最終進化モデルであるCellLineNet V2は、2つのヒト癌細胞株、2つの正常不死化線、1つの不死化線からなる5種類の上皮性乳房細胞株を分類する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Within this paper, the exploration of an evolutionary approach to an alternative CellLineNet: a convolutional neural network adept at the classification of epithelial breast cancer cell lines, is presented. This evolutionary algorithm introduces control variables that guide the search of architectures in the search space of inverted residual blocks, bottleneck blocks, residual blocks and a basic 2x2 convolutional block. The promise of EvoCELL is predicting what combination or arrangement of the feature extracting blocks that produce the best model architecture for a given task. Therein, the performance of how the fittest model evolved after each generation is shown. The final evolved model CellLineNet V2 classifies 5 types of epithelial breast cell lines consisting of two human cancer lines, 2 normal immortalized lines, and 1 immortalized mouse line (MDA-MB-468, MCF7, 10A, 12A and HC11). The Multiclass Cell Line Classification Convolutional Neural Network extends our earlier work on a Binary Breast Cancer Cell Line Classification model. This paper presents an on-going exploratory approach to neural network architecture design and is presented for further study.
• Abstract（参考訳）: 本稿では, 上皮性乳癌細胞株の分類に適応した畳み込みニューラルネットワークの代替セルラインネットへの進化的アプローチの探索について述べる。 この進化的アルゴリズムは、逆残差ブロック、ボトルネックブロック、残差ブロック、および基本的な2x2畳み込みブロックの探索空間におけるアーキテクチャの探索を導く制御変数を導入する。 EvoCELLの約束は、与えられたタスクに最適なモデルアーキテクチャを生成する機能抽出ブロックの組み合わせや配置を予測することである。 そこで、各世代で適合モデルがどのように進化したかを示す。 最終進化モデルであるCellLineNet V2は、ヒト癌2株、正常不死化2株、不死化1株(MDA-MB-468, MCF7, 10A, 12A, HC11)からなる5種類の上皮性乳房細胞株を分類する。 多クラス細胞株分類畳み込みニューラルネットワークは、二分体乳癌細胞株分類モデルに関する初期の研究を拡張している。 本稿では,ニューラルネットワークアーキテクチャ設計への現在進行中の探索的アプローチについて述べる。

関連論文リスト

• Prototype Learning Guided Hybrid Network for Breast Tumor Segmentation in DCE-MRI [58.809276442508256]
  本稿では,畳み込みニューラルネットワーク(CNN)とトランスフォーマー層を組み合わせたハイブリッドネットワークを提案する。 プライベートおよびパブリックなDCE-MRIデータセットの実験結果から,提案したハイブリッドネットワークは最先端の手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2024-08-11T15:46:00Z)
• Graph Neural Network for Cell Tracking in Microscopy Videos [0.0]
  顕微鏡ビデオにおける細胞追跡のための新しいグラフニューラルネットワーク(GNN)を提案する。 タイムラプスシーケンス全体を直接グラフとしてモデル化することにより,セルトラジェクトリの集合全体を抽出する。 我々は、異なる生体細胞のインスタンスを区別する細胞特徴ベクトルを抽出するために、ディープメトリック学習アルゴリズムを利用する。
  論文  参考訳（メタデータ） (2022-02-09T21:21:48Z)
• Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
  ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。 2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。 提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
  論文  参考訳（メタデータ） (2021-12-23T12:17:47Z)
• Hierarchical Phenotyping and Graph Modeling of Spatial Architecture in Lymphoid Neoplasms [7.229065627904531]
  この研究は、セルコンポーネントのオーケストレーションと相互作用をプロファイリングするための、ローカルグラフとグローバルグラフをハイブリッドする最初の試みの一つである。 提案アルゴリズムは,繰り返し5倍のクロスバリデーション方式を用いて0.703の平均診断精度を実現する。
  論文  参考訳（メタデータ） (2021-06-30T16:09:32Z)
• Enforcing Morphological Information in Fully Convolutional Networks to Improve Cell Instance Segmentation in Fluorescence Microscopy Images [1.408123603417833]
  本稿では,よく知られたU-Netアーキテクチャに基づく新しいセルインスタンス分割手法を提案する。 深部距離変換器(DDT)がバックボーンモデルとして機能する。 その結果,従来のU-Netアーキテクチャよりも性能が向上することが示唆された。
  論文  参考訳（メタデータ） (2021-06-10T15:54:38Z)
• Emergence of Lie symmetries in functional architectures learned by CNNs [63.69764116066748]
  本研究では,自然画像の学習において,畳み込みニューラルネットワーク(CNN)の初期層における対称性の自発的発達について検討する。 私たちのアーキテクチャは、生体視覚システムの初期段階を模倣するために構築されています。
  論文  参考訳（メタデータ） (2021-04-17T13:23:26Z)
• Epigenetic evolution of deep convolutional models [81.21462458089142]
  我々は、より深い畳み込みモデルを進化させるために、これまで提案されていた神経進化の枠組みを構築した。 異なる形状と大きさのカーネルを同一層内に共存させる畳み込み層配置を提案する。 提案したレイアウトにより、畳み込み層内の個々のカーネルのサイズと形状を、対応する新しい突然変異演算子で進化させることができる。
  論文  参考訳（メタデータ） (2021-04-12T12:45:16Z)
• TSGCNet: Discriminative Geometric Feature Learning with Two-Stream GraphConvolutional Network for 3D Dental Model Segmentation [141.2690520327948]
  2流グラフ畳み込みネットワーク(TSGCNet)を提案し、異なる幾何学的特性から多視点情報を学ぶ。 3次元口腔内スキャナーで得られた歯科モデルのリアルタイムデータセットを用いてTSGCNetの評価を行った。
  論文  参考訳（メタデータ） (2020-12-26T08:02:56Z)
• Modeling the Evolution of Retina Neural Network [0.0]
  網膜回路は 様々な種類の 類似した構造を示しています 生物網膜に類似した機能を持つ構造を導く遺伝的アルゴリズムを用いた手法を設計する。 我々は、機械学習において、我々のフレームワークがどのようにゴール駆動型検索と持続可能なニューラルネットワークモデルの強化をもたらすかについて論じる。
  論文  参考訳（メタデータ） (2020-11-24T23:57:54Z)
• Co-evolution of Functional Brain Network at Multiple Scales during Early Infancy [52.4179778122852]
  乳児の2歳から2歳までの縦断的安静時機能的磁気共鳴画像データセットを応用した。 収集した縦断的幼児データセットに提案手法の枠組みを適用して,脳機能ネットワークが異なるスケールで共進化していることを示す最初の証拠を提示した。
  論文  参考訳（メタデータ） (2020-09-15T07:21:04Z)

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。