Fugu-MT 論文翻訳(概要): Combining Neural Network Models for Blood Cell Classification

論文の概要: Combining Neural Network Models for Blood Cell Classification

arxiv url: http://arxiv.org/abs/2101.03604v1
Date: Sun, 10 Jan 2021 18:58:46 GMT
ステータス: 処理完了
システム内更新日: 2021-04-08 09:26:28.171351
Title: Combining Neural Network Models for Blood Cell Classification
Title（参考訳）: 血液細胞分類のためのニューラルネットワークモデルの組み合わせ
Authors: Indraneel Ghosh, Siddhant Kundu
Abstract要約: 本研究の目的は、Recurrent Neural Network(RNN)とConvolutional Neural Network(CNN)を組み合わせて構築した多層ニューラルネットワークモデルの効率を評価することである。これは、特定の画像サンプル中の血液細胞の性質を特定する必要がある血液検査および他のプロセスの分析を自動化するための医薬品および医療業界に適用することができます。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The objective of the study is to evaluate the efficiency of a multi layer neural network models built by combining Recurrent Neural Network(RNN) and Convolutional Neural Network(CNN) for solving the problem of classifying different types of White Blood Cells. This can have applications in the pharmaceutical and healthcare industry for automating the analysis of blood tests and other processes requiring identifying the nature of blood cells in a given image sample. It can also be used in the diagnosis of various blood-related diseases in patients.
Abstract（参考訳）: 本研究の目的は、異なるタイプの白血球を分類する問題を解くために、リカレントニューラルネットワーク(RNN)と畳み込みニューラルネットワーク(CNN)を組み合わせて構築した多層ニューラルネットワークモデルの効率を評価することである。これは、所定の画像サンプル中の血液細胞の性質を特定する必要がある血液検査やその他のプロセスの分析を自動化するために、医薬品や医療産業に応用できる。また、様々な血液関連疾患の診断にも用いられる。

関連論文リスト

Analysis of Modern Computer Vision Models for Blood Cell Classification [49.1574468325115]
この研究では、MaxVit、EfficientVit、EfficientNet、EfficientNetV2、MobileNetV3といった最先端アーキテクチャを使用して、迅速かつ正確な結果を得る。本手法は,従来の手法の速度と精度の懸念に対処するだけでなく,血液学的解析における革新的な深層学習モデルの適用性についても検討する。
論文参考訳（メタデータ） (2024-06-30T16:49:29Z)
Neural Cellular Automata for Lightweight, Robust and Explainable Classification of White Blood Cell Images [40.347953893940044]
ニューラルセルオートマトン(NCA)を用いた白血球分類の新しいアプローチを提案する。 NCAに基づく手法はパラメータの面で著しく小さく,ドメインシフトに対する堅牢性を示す。その結果,NAAは画像分類に利用でき,従来の手法の課題に対処できることがわかった。
論文参考訳（メタデータ） (2024-04-08T14:59:53Z)
The Identification and Categorization of Anemia Through Artificial Neural Networks: A Comparative Analysis of Three Models [0.0]
本稿では、貧血の診断と分類のための異なるニューラルネットワークベースのアルゴリズムを提案する。提案したニューラルネットワークは、9つの入力(年齢、性別、RBC、HGB、HCT、MCV、MCH、MCHC、WBC)と1つの出力を含む。多様な患者に対するシミュレーションの結果から,提案する人工ニューラルネットワークが疾患の存在を迅速かつ正確に検出できることが示されている。
論文参考訳（メタデータ） (2024-04-06T17:37:45Z)
How neural networks learn to classify chaotic time series [77.34726150561087]
本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
論文参考訳（メタデータ） (2023-06-04T08:53:27Z)
A Novel Deep Learning based Model for Erythrocytes Classification and Quantification in Sickle Cell Disease [16.351002089332994]
我々は、赤血球の歪んだ、正常な形態を分類し、定量化するために、カスタマイズされた深層畳み込みニューラルネットワーク(CNN)モデルを提案した。本研究は, 脂肪細胞, 卵胞, 毛細血管を含む3種類の赤血球形態について検討した。我々は18階層の深層CNNアーキテクチャを用いて、これらの形状を81%の精度で識別し、定量化し、他のモデルより優れています。
論文参考訳（メタデータ） (2023-05-02T10:28:07Z)
A survey on automated detection and classification of acute leukemia and WBCs in microscopic blood cells [6.117084972237769]
白血球 (Leukemia) は、白血球や白血球が骨髄や血液中に拡散する異常な疾患である。従来の機械学習とディープラーニング技術は、医療画像の診断と分類の精度とスピードを高めるための実践的なロードマップである。本稿では, 急性白血病およびWBCの検出と分類に関する包括的解析を行った。
論文参考訳（メタデータ） (2023-03-07T14:26:08Z)
Deep Reinforcement Learning Guided Graph Neural Networks for Brain Network Analysis [61.53545734991802]
本稿では,各脳ネットワークに最適なGNNアーキテクチャを探索する新しい脳ネットワーク表現フレームワークBN-GNNを提案する。提案するBN-GNNは,脳ネットワーク解析タスクにおける従来のGNNの性能を向上させる。
論文参考訳（メタデータ） (2022-03-18T07:05:27Z)
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)
Comparisons among different stochastic selection of activation layers for convolutional neural networks for healthcare [77.99636165307996]
ニューラルネットワークのアンサンブルを用いて生体医用画像の分類を行う。 ReLU, leaky ReLU, Parametric ReLU, ELU, Adaptive Piecewice Linear Unit, S-Shaped ReLU, Swish, Mish, Mexican Linear Unit, Parametric Deformable Linear Unit, Soft Root Sign。
論文参考訳（メタデータ） (2020-11-24T01:53:39Z)
Exploiting Heterogeneity in Operational Neural Networks by Synaptic Plasticity [87.32169414230822]
最近提案されたネットワークモデルであるオペレーショナルニューラルネットワーク(ONN)は、従来の畳み込みニューラルネットワーク(CNN)を一般化することができる。本研究では, 生体ニューロンにおける本質的な学習理論を示すSynaptic Plasticityパラダイムに基づいて, ネットワークの隠蔽ニューロンに対する最強演算子集合の探索に焦点をあてる。高難易度問題に対する実験結果から、神経細胞や層が少なくても、GISベースのONNよりも優れた学習性能が得られることが示された。
論文参考訳（メタデータ） (2020-08-21T19:03:23Z)
Neural Cellular Automata Manifold [84.08170531451006]
ニューラルセルラーオートマタのニューラルネットワークアーキテクチャは、より大きなNNにカプセル化可能であることを示す。これにより、NAAの多様体を符号化する新しいモデルを提案し、それぞれが異なる画像を生成することができる。生物学的には、我々のアプローチは転写因子の役割を担い、細胞の分化を促進する特定のタンパク質への遺伝子マッピングを調節する。
論文参考訳（メタデータ） (2020-06-22T11:41:57Z)

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。