論文の概要: Sickle-cell disease diagnosis support selecting the most appropriate
machinelearning method: Towards a general and interpretable approach for
cellmorphology analysis from microscopy images
- arxiv url: http://arxiv.org/abs/2010.04511v1
- Date: Fri, 9 Oct 2020 11:46:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-09 05:14:44.133784
- Title: Sickle-cell disease diagnosis support selecting the most appropriate
machinelearning method: Towards a general and interpretable approach for
cellmorphology analysis from microscopy images
- Title(参考訳): 最も適切な機械学習方法を選択するシックル細胞病診断支援--顕微鏡画像からの細胞形態解析のための汎用的かつ解釈可能なアプローチに向けて
- Authors: Nata\v{s}a Petrovi\'c, Gabriel Moy\`a-Alcover, Antoni Jaume-i-Cap\'o,
Manuel Gonz\'alez-Hidalgo
- Abstract要約: 本稿では,最先端技術に基づく分類手法と特徴の選択手法を提案する。
当科では,他の研究例に応用できる病原体疾患のサンプルを用いて検討した。
- 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: In this work we propose an approach to select the classification method and
features, based on the state-of-the-art, with best performance for diagnostic
support through peripheral blood smear images of red blood cells. In our case
we used samples of patients with sickle-cell disease which can be generalized
for other study cases. To trust the behavior of the proposed system, we also
analyzed the interpretability.
We pre-processed and segmented microscopic images, to ensure high feature
quality. We applied the methods used in the literature to extract the features
from blood cells and the machine learning methods to classify their morphology.
Next, we searched for their best parameters from the resulting data in the
feature extraction phase. Then, we found the best parameters for every
classifier using Randomized and Grid search.
For the sake of scientific progress, we published parameters for each
classifier, the implemented code library, the confusion matrices with the raw
data, and we used the public erythrocytesIDB dataset for validation. We also
defined how to select the most important features for classification to
decrease the complexity and the training time, and for interpretability purpose
in opaque models. Finally, comparing the best performing classification methods
with the state-of-the-art, we obtained better results even with interpretable
model classifiers.
- Abstract(参考訳): 本研究では,赤血球の末梢血スメア画像を用いた診断支援において,最先端技術に基づいて分類方法と特徴を選択する手法を提案する。
本症例では,シックル細胞病患者のサンプルを用い,他の症例に一般化した。
また,提案手法の動作を信頼するために,解釈可能性も分析した。
高い機能品質を確保するため,顕微鏡画像の事前処理と分割を行った。
血液細胞から特徴を抽出するために文献で用いられる手法と,その形態を分類するために機械学習法を適用した。
次に,特徴抽出フェーズで得られたデータから最適なパラメータを探索した。
そして、ランダム化とグリッド検索を用いて、各分類器の最適なパラメータを見つけました。
科学的進歩のために,各分類器のパラメータ,実装されたコードライブラリ,生データとの混乱行列を公表し,検証のために公開のerythrocytesidbデータセットを用いた。
また,分類のための最も重要な特徴の選択方法を定義し,複雑さとトレーニング時間を減らし,不透明なモデルにおける解釈可能性の目的を明らかにした。
最後に, 最善の分類法と最先端の分類法を比較し, 解釈可能なモデル分類器を用いても良好な結果を得た。
関連論文リスト
- UniCell: Universal Cell Nucleus Classification via Prompt Learning [76.11864242047074]
ユニバーサル細胞核分類フレームワーク(UniCell)を提案する。
異なるデータセットドメインから対応する病理画像のカテゴリを均一に予測するために、新しいプロンプト学習機構を採用している。
特に,本フレームワークでは,原子核検出と分類のためのエンドツーエンドアーキテクチャを採用し,フレキシブルな予測ヘッドを用いて様々なデータセットを適応する。
論文 参考訳(メタデータ) (2024-02-20T11:50:27Z) - Multi-task Explainable Skin Lesion Classification [54.76511683427566]
少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。
提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
論文 参考訳(メタデータ) (2023-10-11T05:49:47Z) - Optimizations of Autoencoders for Analysis and Classification of
Microscopic In Situ Hybridization Images [68.8204255655161]
同様のレベルの遺伝子発現を持つ顕微鏡画像の領域を検出・分類するためのディープラーニングフレームワークを提案する。
分析するデータには教師なし学習モデルが必要です。
論文 参考訳(メタデータ) (2023-04-19T13:45:28Z) - A Segmentation Method for fluorescence images without a machine learning
approach [0.0]
本研究では,細胞と核を同定するための決定論的計算神経科学アプローチについて述べる。
この方法は、正式に正しい関数に基づいて堅牢であり、特定のデータセットのチューニングに支障を来さない。
論文 参考訳(メタデータ) (2022-12-28T16:47:05Z) - Improving Classification Model Performance on Chest X-Rays through Lung
Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。
提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文 参考訳(メタデータ) (2022-02-22T15:24:06Z) - Interpretable Single-Cell Set Classification with Kernel Mean Embeddings [14.686560033030101]
Kernel Mean Embeddingは、各プロファイルされた生物学的サンプルの細胞景観をエンコードする。
簡単な線形分類器を訓練し、3つのフローおよび質量データセットの最先端の分類精度を実現する。
論文 参考訳(メタデータ) (2022-01-18T21:40:36Z) - Deep CNNs for Peripheral Blood Cell Classification [0.0]
我々は、顕微鏡的末梢血細胞画像データセットに基づいて、27の人気の深層畳み込みニューラルネットワークアーキテクチャをベンチマークした。
血液細胞分類のためのImageNetデータセットに事前トレーニングされた最先端画像分類モデルを微調整する。
論文 参考訳(メタデータ) (2021-10-18T17:56:07Z) - Ensemble of CNN classifiers using Sugeno Fuzzy Integral Technique for
Cervical Cytology Image Classification [1.6986898305640261]
頸がんの単細胞画像とスライド画像の分類を完全自動化するコンピュータ支援診断ツールを提案する。
我々は、Sugeno Fuzzy Integralを使用して、Inception v3、DenseNet-161、ResNet-34という3つの人気のあるディープラーニングモデルの意思決定スコアをアンサンブルする。
論文 参考訳(メタデータ) (2021-08-21T08:41:41Z) - Multi-Class Classification of Blood Cells -- End to End Computer Vision
based diagnosis case study [0.0]
我々は,外輪郭,色の形態的特徴から,白血球分類の問題に取り組む。
我々は、最小時間複雑さと低リソース要求でロバストなアルゴリズムを特定するために、多くのアルゴリズムを探求したい。
論文 参考訳(メタデータ) (2021-06-23T17:18:19Z) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳(メタデータ) (2020-09-02T02:50:30Z) - Semi-supervised Medical Image Classification with Relation-driven
Self-ensembling Model [71.80319052891817]
医用画像分類のための関係駆動型半教師付きフレームワークを提案する。
これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。
本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
論文 参考訳(メタデータ) (2020-05-15T06:57:54Z)
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。