Fugu-MT 論文翻訳(概要): Localization of Malaria Parasites and White Blood Cells in Thick Blood Smears

論文の概要: Localization of Malaria Parasites and White Blood Cells in Thick Blood Smears

arxiv url: http://arxiv.org/abs/2012.01994v1
Date: Thu, 3 Dec 2020 15:14:38 GMT
ステータス: 処理完了
システム内更新日: 2021-05-23 21:33:33.856694
Title: Localization of Malaria Parasites and White Blood Cells in Thick Blood Smears
Title（参考訳）: 厚膜血腫におけるマラリア寄生虫と白血球の局在
Authors: Rose Nakasi, Aminah Zawedde, Ernest Mwebaze, Jeremy Francis Tusubira, Gilbert Maiga
Abstract要約: 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。
参考スコア（独自算出の注目度）: 5.36646793661301
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Effectively determining malaria parasitemia is a critical aspect in assisting clinicians to accurately determine the severity of the disease and provide quality treatment. Microscopy applied to thick smear blood smears is the de facto method for malaria parasitemia determination. However, manual quantification of parasitemia is time consuming, laborious and requires considerable trained expertise which is particularly inadequate in highly endemic and low resourced areas. This study presents an end-to-end approach for localisation and count of malaria parasites and white blood cells (WBCs) which aid in the effective determination of parasitemia; the quantitative content of parasites in the blood. On a dataset of slices of images of thick blood smears, we build models to analyse the obtained digital images. To improve model performance due to the limited size of the dataset, data augmentation was applied. Our preliminary results show that our deep learning approach reliably detects and returns a count of malaria parasites and WBCs with a high precision and recall. We also evaluate our system against human experts and results indicate a strong correlation between our deep learning model counts and the manual expert counts (p=0.998 for parasites, p=0.987 for WBCs). This approach could potentially be applied to support malaria parasitemia determination especially in settings that lack sufficient Microscopists.
Abstract（参考訳）: マラリア寄生虫症を効果的に判定することは、臨床医が病気の重症度を正確に判定し、高品質な治療を提供するために重要な側面である。厚いスミアの血液スミアに顕微鏡を適用することはマラリア寄生虫症判定の事実上の方法である。しかし、寄生虫症の手作業による定量化は時間がかかり、手間がかかり、特に高度で資源の少ない地域では不十分な相当な専門知識を必要とする。本研究は, マラリア原虫および白血球の局在と定量化のためのエンド・ツー・エンドアプローチであり, 血液中寄生虫の定量値, 寄生虫の定量化に有効であることを示す。太い血液スメアの画像のスライスのデータセット上に,得られたデジタル画像を分析するモデルを構築した。データセットのサイズ制限によるモデル性能向上のために,データ拡張を適用した。予備的な結果から,我々の深層学習アプローチは,高い精度でマラリア原虫とWBCの数を確実に検出し,返却することを示した。また,人間のエキスパートに対するシステムを評価し,我々のディープラーニングモデル数と手作業のエキスパート数(寄生虫p=0.998,wbcsp=0.987)との間に強い相関関係を示した。このアプローチはマラリア寄生虫の診断、特に十分なマイクロスコピストを欠いた状況でのサポートに応用できる可能性がある。

関連論文リスト

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)
Simulating Malaria Detection in Laboratories using Deep Learning [0.0]
マラリアは通常、血液スミアの小さなサンプルを調べることで微生物学者によって診断される。早期に診断され適切な治療を受けた場合、マラリア感染による死亡率の低下が可能である。 WHOは、2030年にはマラリアの発生率と死亡率を90%削減し、35カ国でマラリアを除去するという大胆な目標を掲げている。
論文参考訳（メタデータ） (2023-03-21T11:23:59Z)
Fairly Predicting Graft Failure in Liver Transplant for Organ Assigning [61.30094367351618]
肝移植は肝疾患に対して必要不可欠な治療法である。機械学習モデルは不公平であり、特定のグループに対する偏見を引き起こす可能性がある。本研究は,肝移植における移植不全予測を目的とした,公正な機械学習フレームワークを提案する。
論文参考訳（メタデータ） (2023-02-18T18:24:58Z)
Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
論文参考訳（メタデータ） (2023-02-16T17:06:23Z)
PlasmoID: A dataset for Indonesian malaria parasite detection and segmentation in thin blood smear [0.0]
インドネシアは東南アジアで最多のマラリア患者数で2番目に高い国である。ディープラーニングアプローチに基づくマラリア寄生虫セマンティックセグメンテーションの異なる手法は、従来の方法の限界を減らす代替手段である。本研究では,より高速なRCNNと意味的セグメンテーション技術を組み合わせたマラリア寄生虫のセグメンテーションと検出手法を提案する。
論文参考訳（メタデータ） (2022-11-28T07:47:09Z)
Multi-Scale Input Strategies for Medulloblastoma Tumor Classification using Deep Transfer Learning [59.30734371401316]
乳腺芽腫は小児で最も多い悪性脳腫瘍である。 CNNはMBサブタイプ分類に有望な結果を示した。タイルサイズと入力戦略の影響について検討した。
論文参考訳（メタデータ） (2021-09-14T09:42:37Z)
CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19 Patients Using Deep Learning [133.87426554801252]
我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
論文参考訳（メタデータ） (2021-05-25T12:06:55Z)
A Dataset and Benchmark for Malaria Life-Cycle Classification in Thin Blood Smear Images [7.113350536579545]
マラリア顕微鏡、寄生虫Plasmodiumを検出するステンド血液スライドの顕微鏡検査は、マラリアを検出するための金標準であると考えられています。本研究では,染色フィルム写真中のプラスモジウム寄生虫を自動的に検出(局在化)する深層学習に基づく手法を提案する。機械学習に基づくマラリア顕微鏡の研究を容易にするために,新しい大規模顕微鏡画像マラリアデータセットを提案する。
論文参考訳（メタデータ） (2021-02-17T11:44:52Z)
M3Lung-Sys: A Deep Learning System for Multi-Class Lung Pneumonia Screening from CT Imaging [85.00066186644466]
マルチタスク型マルチスライス深層学習システム(M3Lung-Sys)を提案する。 COVID-19とHealthy, H1N1, CAPとの鑑別に加えて, M3 Lung-Sysも関連病変の部位を特定できる。
論文参考訳（メタデータ） (2020-10-07T06:22:24Z)
MOSQUITO-NET: A deep learning based CADx system for malaria diagnosis along with model interpretation using GradCam and class activation maps [9.01199960262149]
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。
論文参考訳（メタデータ） (2020-06-17T13:00:30Z)

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。