論文の概要: Single Test Image-Based Automated Machine Learning System for
Distinguishing between Trait and Diseased Blood Samples
- arxiv url: http://arxiv.org/abs/2103.16285v1
- Date: Tue, 30 Mar 2021 12:29:50 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-31 20:56:29.892676
- Title: Single Test Image-Based Automated Machine Learning System for
Distinguishing between Trait and Diseased Blood Samples
- Title（参考訳）: トランジットと疾患血液サンプルの識別のための単体テスト画像ベース自動機械学習システム
- Authors: Sahar A. Nasser, Debjani Paul, and Suyash P. Awate
- Abstract要約: そこで我々は, 携帯型顕微鏡の画質不良画像の病原細胞疾患の完全自動診断のための機械学習手法を提案する。
本手法は, 異常検体と異常検体のみを区別することに限定された従来の方法と異なり, 病型, 形質(キャリア), 正常検体とを区別することができる。
- 参考スコア（独自算出の注目度）: 2.867517731896504
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce a machine learning-based method for fully automated diagnosis of
sickle cell disease of poor-quality unstained images of a mobile microscope.
Our method is capable of distinguishing between diseased, trait (carrier), and
normal samples unlike the previous methods that are limited to distinguishing
the normal from the abnormal samples only. The novelty of this method comes
from distinguishing the trait and the diseased samples from challenging images
that have been captured directly in the field. The proposed approach contains
two parts, the segmentation part followed by the classification part. We use a
random forest algorithm to segment such challenging images acquitted through a
mobile phone-based microscope. Then, we train two classifiers based on a random
forest (RF) and a support vector machine (SVM) for classification. The results
show superior performances of both of the classifiers not only for images which
have been captured in the lab, but also for the ones which have been acquired
in the field itself.
- Abstract（参考訳）: そこで我々は, 携帯型顕微鏡の画質不良画像の病原細胞疾患の完全自動診断のための機械学習手法を提案する。
本手法は, 異常検体と異常検体のみを区別することに限定された従来の方法と異なり, 病型, 形質(キャリア), 正常検体とを区別することができる。
この手法の斬新さは、フィールドで直接キャプチャされた挑戦的な画像と特徴と病気のサンプルを区別することにある。
提案手法はセグメンテーション部と分類部との2つの部分を含む。
ランダムフォレストアルゴリズムを用いて,携帯電話型顕微鏡で取得した難解な画像を分割する。
次に、ランダムフォレスト(rf)とサポートベクターマシン(svm)に基づいて2つの分類器を訓練し、分類を行う。
その結果, 研究室で撮影された画像だけでなく, 現場で取得された画像に対しても, どちらの分類器も優れた性能を示した。
関連論文リスト
- Dual-View Selective Instance Segmentation Network for Unstained Live
Adherent Cells in Differential Interference Contrast Images [11.762090096790823]
接着細胞は低コントラスト構造、フェーディングエッジ、不規則な形態を有する。
DIC画像中の非定常付着細胞をセグメント化するための新しいディープラーニングアルゴリズムを開発した。
このアルゴリズムは、ベンチマークを23.6%上回る0.555のAP_segmを達成する。
論文 参考訳（メタデータ） (2023-01-27T02:22:33Z) - GraVIS: Grouping Augmented Views from Independent Sources for
Dermatology Analysis [52.04899592688968]
皮膚科画像から自己教師付き特徴を学習するために特に最適化されたGraVISを提案する。
GraVISは、病変のセグメンテーションと疾患分類のタスクにおいて、転送学習と自己教師型学習を著しく上回っている。
論文 参考訳（メタデータ） (2023-01-11T11:38:37Z) - Stain-invariant self supervised learning for histopathology image
analysis [74.98663573628743]
乳がんのヘマトキシリンおよびエオシン染色像におけるいくつかの分類課題に対する自己監督アルゴリズムを提案する。
本手法は,いくつかの乳がんデータセット上での最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2022-11-14T18:16:36Z) - Seamless Iterative Semi-Supervised Correction of Imperfect Labels in
Microscopy Images [57.42492501915773]
生体内試験は、医療機器の毒性に対する動物実験の代替手段である。
人間の疲労は、深層学習を魅力的なものにするために、エラー作成に重要な役割を果たします。
我々は、不完全ラベルのシームレス反復半監督補正(SISSI)を提案する。
本手法は,物体検出に適応的な早期学習補正技術を提供する。
論文 参考訳（メタデータ） (2022-08-05T18:52:20Z) - Learning Discriminative Representation via Metric Learning for
Imbalanced Medical Image Classification [52.94051907952536]
本稿では,特徴抽出器がより識別的な特徴表現を抽出するのを助けるために,2段階フレームワークの第1段階にメトリック学習を組み込むことを提案する。
主に3つの医用画像データセットを用いて実験したところ、提案手法は既存の1段階と2段階のアプローチより一貫して優れていた。
論文 参考訳（メタデータ） (2022-07-14T14:57:01Z) - Margin-Aware Intra-Class Novelty Identification for Medical Images [2.647674705784439]
ノベルティ検出のためのハイブリッドモデル-変換に基づく埋め込み学習(TEND)を提案する。
事前訓練されたオートエンコーダを画像特徴抽出器として、TENDは変換されたオートエンコーダから分布内データの特徴埋め込みを偽のアウト・オブ・ディストリビューション入力として識別する。
論文 参考訳（メタデータ） (2021-07-31T00:10:26Z) - Magnification-independent Histopathological Image Classification with
Similarity-based Multi-scale Embeddings [12.398787062519034]
本稿では,類似性に基づく画像分類のためのマルチスケール埋め込みを学習する手法を提案する。
特に、対損失と三重項損失を利用して、画像対や画像三重項から類似性に基づく埋め込みを学習する。
SMSEはBreakHisベンチマークで最高のパフォーマンスを達成しており、従来の方法に比べて5%から18%改善されている。
論文 参考訳（メタデータ） (2021-07-02T13:18:45Z) - A Hierarchical Transformation-Discriminating Generative Model for Few
Shot Anomaly Detection [93.38607559281601]
各トレーニングイメージのマルチスケールパッチ分布をキャプチャする階層的生成モデルを開発した。
この異常スコアは、スケール及び画像領域にわたる正しい変換のパッチベースの投票を集約して得られる。
論文 参考訳（メタデータ） (2021-04-29T17:49:48Z) - Multi-label Thoracic Disease Image Classification with Cross-Attention
Networks [65.37531731899837]
胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。
また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
論文 参考訳（メタデータ） (2020-07-21T14:37:00Z) - Melanoma Detection using Adversarial Training and Deep Transfer Learning [6.22964000148682]
皮膚病変画像の自動分類のための2段階の枠組みを提案する。
第1段階では、条件付き画像合成のタスクにおいて、データ分布のクラス間変動を利用する。
第2段階では,皮膚病変分類のための深部畳み込みニューラルネットワークを訓練する。
論文 参考訳（メタデータ） (2020-04-14T22:46:20Z)
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。