論文の概要: Automated Diagnosis of Intestinal Parasites: A new hybrid approach and
its benefits
- arxiv url: http://arxiv.org/abs/2101.06310v1
- Date: Thu, 7 Jan 2021 05:11:01 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-10 13:41:12.558558
- Title: Automated Diagnosis of Intestinal Parasites: A new hybrid approach and
its benefits
- Title（参考訳）: 新しいハイブリッドアプローチによる腸管寄生虫の自動診断とその有用性
- Authors: D. Osaku, C. F. Cuba, Celso T.N. Suzuki, J.F. Gomes, A.X. Falc\~ao
- Abstract要約: 腸内寄生虫はヒトのいくつかの病気の原因となる。
本研究では,2つの意思決定システムの意見を組み合わせたハイブリッドアプローチを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Intestinal parasites are responsible for several diseases in human beings. In
order to eliminate the error-prone visual analysis of optical microscopy
slides, we have investigated automated, fast, and low-cost systems for the
diagnosis of human intestinal parasites. In this work, we present a hybrid
approach that combines the opinion of two decision-making systems with
complementary properties: ($DS_1$) a simpler system based on very fast
handcrafted image feature extraction and support vector machine classification
and ($DS_2$) a more complex system based on a deep neural network, Vgg-16, for
image feature extraction and classification. $DS_1$ is much faster than $DS_2$,
but it is less accurate than $DS_2$. Fortunately, the errors of $DS_1$ are not
the same of $DS_2$. During training, we use a validation set to learn the
probabilities of misclassification by $DS_1$ on each class based on its
confidence values. When $DS_1$ quickly classifies all images from a microscopy
slide, the method selects a number of images with higher chances of
misclassification for characterization and reclassification by $DS_2$. Our
hybrid system can improve the overall effectiveness without compromising
efficiency, being suitable for the clinical routine -- a strategy that might be
suitable for other real applications. As demonstrated on large datasets, the
proposed system can achieve, on average, 94.9%, 87.8%, and 92.5% of Cohen's
Kappa on helminth eggs, helminth larvae, and protozoa cysts, respectively.
- Abstract（参考訳）: 腸内寄生虫はヒトのいくつかの病気の原因となる。
光学顕微鏡スライドの誤差やすい視覚的解析をなくすため,ヒト腸管寄生虫の診断のための自動化,高速,低コストのシステムについて検討した。
本稿では,2つの意思決定システムの意見と相補的特性を組み合わせたハイブリッドアプローチを提案する。 (ds_1$) 非常に高速な手作り画像特徴抽出とサポートベクターマシン分類に基づく単純なシステムと,深層ニューラルネットワークに基づくより複雑なシステム (vgg-16) による画像特徴抽出と分類である。
$DS_1$は$DS_2$よりもはるかに高速だが、$DS_2$よりも正確ではない。
幸い、$DS_1$のエラーは$DS_2$と同じではない。
トレーニング中、信頼度値に基づいて各クラスでDS_1$で誤分類の確率を学習するために検証セットを使用します。
顕微鏡スライドから全ての画像に$ds_1$が素早く分類されると、この方法は、$ds_2$でキャラクタリゼーションと再分類のための誤分類の可能性の高い多数の画像を選択する。
当社のハイブリッドシステムは、効率を損なうことなく、臨床ルーチンに適合した全体的な効率を改善することができます。
大規模なデータセットで示されるように、提案システムは平均94.9%、87.8%、および92.5%のコーエンのカッパをヘルシンス卵、ヘルシンス幼生、およびプロトゾア嚢胞で得ることができる。
関連論文リスト
- Improving Nonalcoholic Fatty Liver Disease Classification Performance
With Latent Diffusion Models [0.0]
拡散モデルを用いて生成した合成画像と実画像を組み合わせることで,非アルコール性脂肪性肝疾患分類性能を向上させることができることを示す。
その結果,拡散生成画像では最大ISスコアが1.90ドル,GANが1.67ドル,FIDスコアが6.9.45ドル,GANが100.05ドルであった。
論文 参考訳（メタデータ） (2023-07-13T01:14:08Z) - Automated SSIM Regression for Detection and Quantification of Motion
Artefacts in Brain MR Images [54.739076152240024]
磁気共鳴脳画像における運動アーチファクトは重要な問題である。
MR画像の画質評価は,臨床診断に先立って基本的である。
構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
論文 参考訳（メタデータ） (2022-06-14T10:16:54Z) - Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。
医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。
BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
論文 参考訳（メタデータ） (2022-03-29T08:41:17Z) - Parasitic Egg Detection and Classification in Low-cost Microscopic
Images using Transfer Learning [1.6050172226234583]
高品質な顕微鏡画像における自動寄生虫分類の効率を高めるために, トランスファーラーニング戦略を用いたCNNベースの手法を提案する。
提案するフレームワークは,最先端のオブジェクト認識手法よりも優れている。
本システムと専門家による最終決定が組み合わさって, 低コスト顕微鏡による実地精査を改善できる可能性がある。
論文 参考訳（メタデータ） (2021-07-02T11:05:45Z) - An Efficient Cervical Whole Slide Image Analysis Framework Based on
Multi-scale Semantic and Spatial Features using Deep Learning [2.7218168309244652]
本研究では,YOLCO(You Only Look Cytopathology Once)という名前の軽量モデルを構築するために,マルチスケール接続を充実させることにより,新しいインライン接続ネットワーク(InCNet)を設計する。
提案したモデルでは、入力サイズをメガピクセルに拡大し、平均リピートで重なり合うことなくWSIを縫合することができる。
統合マルチスケールマルチタスクの特徴を分類するためのTransformerに基づいて、実験結果は、WSI分類における従来の方法よりも0.872$ AUCスコアが良く、2.51times$速く見える。
論文 参考訳（メタデータ） (2021-06-29T06:24:55Z) - Wide & Deep neural network model for patch aggregation in CNN-based
prostate cancer detection systems [51.19354417900591]
前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。
自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。
パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
論文 参考訳（メタデータ） (2021-05-20T18:13:58Z) - Using spatial-temporal ensembles of convolutional neural networks for
lumen segmentation in ureteroscopy [11.457020223521605]
本稿では,畳み込みニューラルネットワーク(CNN)に基づく自動手法を提案する。
提案手法は4つの並列CNNのアンサンブルに基づいて,単一および複数フレーム情報を同時に処理する。
論文 参考訳（メタデータ） (2021-04-05T16:24:32Z) - Brain Image Synthesis with Unsupervised Multivariate Canonical
CSC$\ell_4$Net [122.8907826672382]
我々は,新しいCSC$ell_4$Netを用いて,イントレとイントラモーダルの両方にまたがる専用特徴を学習することを提案する。
論文 参考訳（メタデータ） (2021-03-22T05:19:40Z) - 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) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳（メタデータ） (2020-07-24T14:02:09Z) - A Novel Inspection System For Variable Data Printing Using Deep Learning [0.9176056742068814]
超低偽アラームレート(0.005%)で可変データプリント(VDP)を検査するための新しい手法を提案する。
このシステムは、参照画像と低コストスキャナーによってキャプチャされた画像の2つの画像の比較に基づいている。
論文 参考訳（メタデータ） (2020-01-13T15:07:13Z)
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。