論文の概要: DeepCervix: A Deep Learning-based Framework for the Classification of
Cervical Cells Using Hybrid Deep Feature Fusion Techniques
- arxiv url: http://arxiv.org/abs/2102.12191v1
- Date: Wed, 24 Feb 2021 10:34:51 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-26 10:42:13.444652
- Title: DeepCervix: A Deep Learning-based Framework for the Classification of
Cervical Cells Using Hybrid Deep Feature Fusion Techniques
- Title（参考訳）: DeepCervix - ハイブリッド深層核融合技術を用いた頸部細胞の分類のためのディープラーニングベースのフレームワーク
- Authors: Md Mamunur Rahaman, Chen Li, Yudong Yao, Frank Kulwa, Xiangchen Wu,
Xiaoyan Li, Qian Wang
- Abstract要約: 女性の中で最も多い致死性癌の1つである頸部がんは、早期に再発性病変を検出するために、定期的な検診によって予防することができる。
手動スクリーニングの実践を改善するため, 機械学習(ML)と深層学習(DL)を用いたコンピュータ支援診断(CAD)システムを用いて, 頚部乳頭細胞の分類を行った。
本研究は, dlに基づくハイブリッド型深部機能融合(hdff)技術を提案し, 頸椎細胞を正確に分類する。
- 参考スコア（独自算出の注目度）: 14.208643185430219
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cervical cancer, one of the most common fatal cancers among women, can be
prevented by regular screening to detect any precancerous lesions at early
stages and treat them. Pap smear test is a widely performed screening technique
for early detection of cervical cancer, whereas this manual screening method
suffers from high false-positive results because of human errors. To improve
the manual screening practice, machine learning (ML) and deep learning (DL)
based computer-aided diagnostic (CAD) systems have been investigated widely to
classify cervical pap cells. Most of the existing researches require
pre-segmented images to obtain good classification results, whereas accurate
cervical cell segmentation is challenging because of cell clustering. Some
studies rely on handcrafted features, which cannot guarantee the classification
stage's optimality. Moreover, DL provides poor performance for a multiclass
classification task when there is an uneven distribution of data, which is
prevalent in the cervical cell dataset. This investigation has addressed those
limitations by proposing DeepCervix, a hybrid deep feature fusion (HDFF)
technique based on DL to classify the cervical cells accurately. Our proposed
method uses various DL models to capture more potential information to enhance
classification performance. Our proposed HDFF method is tested on the publicly
available SIPAKMED dataset and compared the performance with base DL models and
the LF method. For the SIPAKMED dataset, we have obtained the state-of-the-art
classification accuracy of 99.85%, 99.38%, and 99.14% for 2-class, 3-class, and
5-class classification. Moreover, our method is tested on the Herlev dataset
and achieves an accuracy of 98.32% for binary class and 90.32% for 7-class
classification.
- Abstract（参考訳）: 女性の中で最も多い致死性癌の1つである頸部がんは、定期的な検診によって早期の先天性病変を検出して治療することで予防することができる。
papスメアテストは子宮頸癌早期発見のスクリーニング手法として広く行われているが,この手技は人為的エラーによる偽陽性率が高い。
手動スクリーニングの実践を改善するために,機械学習(ML)とディープラーニング(DL)に基づくコンピュータ支援診断(CAD)システムについて,頚部乳頭細胞を分類するために広く研究されている。
既存の研究のほとんどは、良好な分類結果を得るために、予め設定された画像を必要とするが、正確な頚椎細胞分割は、細胞クラスタリングのために困難である。
いくつかの研究は手作りの特徴に依存しており、分類段階の最適性を保証できない。
さらに、dlは、頚部細胞データセットに広く見られる不均一なデータ分布が存在する場合に、多クラス分類タスクの性能が低下する。
この研究は、dlに基づくハイブリッド型deep feature fusion(hdff)技術であるdeepcervixを用いて、頚椎細胞を正確に分類することで、これらの制限に対処している。
提案手法では, DLモデルを用いてより潜在的な情報を捕捉し, 分類性能を向上する。
提案したHDFF法は,公開中のSIPAKMEDデータセット上で試験を行い,ベースDLモデルとLF法との比較を行った。
sipakmedデータセットでは,2クラス,3クラス,5クラスの分類で99.85%,99.38%,99.14%の精度が得られた。
さらに,herlevデータセット上でテストを行い,バイナリクラスでは98.32%,7クラス分類では90.32%の精度を実現する。
関連論文リスト
- Comparative Analysis of Machine Learning and Deep Learning Models for Classifying Squamous Epithelial Cells of the Cervix [0.7119794757408745]
現在のPapスミア分析法は、手動、時間的、労働集約的で、人的ミスの危険性が高い。
本研究では,パパスミア画像中の細胞を表層中間体,傍基底細胞,コア細胞,ジスケラトシス,メタ可塑性の5つのカテゴリに分類することを目的とした。
この分類には、Gradient Boosting、Random Forest、Support Vector Machine、k-Nearest Neighborといった機械学習アルゴリズムが使用されている。
論文 参考訳（メタデータ） (2024-11-20T18:37:01Z) - A Diagnostic Model for Acute Lymphoblastic Leukemia Using Metaheuristics and Deep Learning Methods [6.318593483920089]
急性リンパ性白血病(ALL)重症度は、爆発細胞の存在と比率によって決定される。
本稿では,ResNetをベースとした特徴抽出器を用いて,さまざまな特徴抽出器や分類器とともにALLを検出する。
この手法は90.71%の精度と95.76%の感度を達成し、このデータセットの指標は他よりも優れていた。
論文 参考訳（メタデータ） (2024-06-02T13:25:44Z) - Deep Learning Descriptor Hybridization with Feature Reduction for Accurate Cervical Cancer Colposcopy Image Classification [0.9374652839580183]
本稿では,様々なディープラーニング記述子の強度と適切な特徴正規化を組み合わせたコンピュータ支援診断(CAD)システムを提案する。
本手法は,通常の分類と型分類の両方において,97%-100%の範囲での例外的な性能を実現する。
論文 参考訳（メタデータ） (2024-05-01T06:05:13Z) - Interpretable pap smear cell representation for cervical cancer
screening [3.8656297418166305]
変分オートエンコーダを用いた1クラス分類に基づいて, 乳頭スミア画像の深部頸部細胞表現を学習する手法を提案する。
我々のモデルは、深層モデルの付加的な訓練を必要とせずに、異常を識別することができる。
論文 参考訳（メタデータ） (2023-11-17T01:29:16Z) - 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) - Prototypical Cross-domain Knowledge Transfer for Cervical Dysplasia
Visual Inspection [37.66559952448587]
そこで本研究では,異なるが関連する臨床研究で収集されたクロスドメイン頚部画像を利用して,モデルの性能を向上させることを提案する。
データセット間で伝達可能な情報を堅牢に学習するために,新しいプロトタイプベースの知識フィルタリング手法を提案する。
提案法は,最先端の頚椎椎間板形成検査において,Top-1の精度が4.7%向上した。
論文 参考訳（メタデータ） (2023-08-19T11:25:09Z) - Sample hardness based gradient loss for long-tailed cervical cell
detection [40.503143547742866]
本稿では,各試料の硬度を異なるカテゴリで動的に調整するaGrad-Libra Lossを提案する。
我々の損失は、検出器が頭と尾の両方でこれらの硬いサンプルをより強調するのに役立ちます。
論文 参考訳（メタデータ） (2022-08-07T17:52:29Z) - Less is More: Adaptive Curriculum Learning for Thyroid Nodule Diagnosis [50.231954872304314]
不整合ラベルによるサンプルの発見と破棄を適応的に行うAdaptive Curriculum Learningフレームワークを提案する。
また、TNCD: Thyroid Nodule Classification データセットも提供します。
論文 参考訳（メタデータ） (2022-07-02T11:50:02Z) - 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) - Deep Semi-supervised Metric Learning with Dual Alignment for Cervical
Cancer Cell Detection [49.78612417406883]
子宮頸癌細胞検出のための新しい半教師付き深度測定法を提案する。
私たちのモデルは、埋め込みメトリック空間を学習し、提案レベルとプロトタイプレベルの両方でセマンティック機能の二重アライメントを行います。
本研究は,240,860個の頸部細胞画像からなる半監督型頸部がん細胞検出のための大規模データセットを初めて構築した。
論文 参考訳（メタデータ） (2021-04-07T17:11:27Z) - Classification of COVID-19 in CT Scans using Multi-Source Transfer
Learning [91.3755431537592]
我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。
マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。
我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
論文 参考訳（メタデータ） (2020-09-22T11:53:06Z)
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。