論文の概要: Acute Lymphoblastic Leukemia Detection from Microscopic Images Using
Weighted Ensemble of Convolutional Neural Networks
- arxiv url: http://arxiv.org/abs/2105.03995v1
- Date: Sun, 9 May 2021 18:58:48 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-12 03:45:38.907386
- Title: Acute Lymphoblastic Leukemia Detection from Microscopic Images Using
Weighted Ensemble of Convolutional Neural Networks
- Title(参考訳): 畳み込みニューラルネットワークを用いた顕微鏡画像からの急性リンパ性白血病の検出
- Authors: Chayan Mondal, Md. Kamrul Hasan, Md. Tasnim Jawad, Aishwariya Dutta,
Md.Rabiul Islam, Md. Abdul Awal, Mohiuddin Ahmad
- Abstract要約: 本稿では,深層畳み込みニューラルネットワーク(cnns)を用いた顕微鏡細胞画像からの全検出タスクを自動化した。
ネットワークのより優れた一般化を達成するために、様々なデータ拡張と前処理が組み込まれている。
提案する重み付きアンサンブルモデルでは, アンサンブル候補のカッパ値を重みとして, 重み付きF1スコア88.6 %, バランス付き精度86.2 %, 予備試験セットのAUC0.941を出力した。
- 参考スコア(独自算出の注目度): 4.095759108304108
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Acute Lymphoblastic Leukemia (ALL) is a blood cell cancer characterized by
numerous immature lymphocytes. Even though automation in ALL prognosis is an
essential aspect of cancer diagnosis, it is challenging due to the
morphological correlation between malignant and normal cells. The traditional
ALL classification strategy demands experienced pathologists to carefully read
the cell images, which is arduous, time-consuming, and often suffers
inter-observer variations. This article has automated the ALL detection task
from microscopic cell images, employing deep Convolutional Neural Networks
(CNNs). We explore the weighted ensemble of different deep CNNs to recommend a
better ALL cell classifier. The weights for the ensemble candidate models are
estimated from their corresponding metrics, such as accuracy, F1-score, AUC,
and kappa values. Various data augmentations and pre-processing are
incorporated for achieving a better generalization of the network. We utilize
the publicly available C-NMC-2019 ALL dataset to conduct all the comprehensive
experiments. Our proposed weighted ensemble model, using the kappa values of
the ensemble candidates as their weights, has outputted a weighted F1-score of
88.6 %, a balanced accuracy of 86.2 %, and an AUC of 0.941 in the preliminary
test set. The qualitative results displaying the gradient class activation maps
confirm that the introduced model has a concentrated learned region. In
contrast, the ensemble candidate models, such as Xception, VGG-16,
DenseNet-121, MobileNet, and InceptionResNet-V2, separately produce coarse and
scatter learned areas for most example cases. Since the proposed kappa
value-based weighted ensemble yields a better result for the aimed task in this
article, it can experiment in other domains of medical diagnostic applications.
- Abstract(参考訳): 急性リンパ芽球性白血病(ALL)は、多くの未熟なリンパ球を特徴とする細胞癌である。
all prognosisの自動化は癌診断の重要な側面であるが,悪性細胞と正常細胞の形態的相関が原因で困難である。
従来の全ての分類戦略では、経験豊富な病理学者が細胞像を注意深く読み取る必要がある。
本稿では、深層畳み込みニューラルネットワーク(CNN)を用いて、顕微鏡セル画像からのall検出タスクを自動化した。
異なる深層CNNの重み付けアンサンブルを探索し、より優れたall細胞分類器を推奨する。
アンサンブル候補モデルの重みは、精度、f1-score、auc、kappa値といった対応する指標から推定される。
ネットワークのより優れた一般化を達成するために、様々なデータ拡張と前処理が組み込まれている。
利用可能なC-NMC-2019 ALLデータセットを用いて、包括的な実験を行う。
提案する重み付きアンサンブルモデルでは, アンサンブル候補のカッパ値を重みとして, 重み付きF1スコア88.6 %, バランス付き精度86.2 %, 予備試験セットのAUC0.941を出力した。
グラデーションクラスアクティベーションマップを表示する質的結果から,導入されたモデルが集中学習領域を持つことが確認された。
対照的に、Xception、VGG-16、DenseNet-121、MobileNet、InceptionResNet-V2といったアンサンブル候補モデルは、ほとんどの例で粗い領域と散在した領域を別々に生成する。
提案するkappa値に基づく重み付きアンサンブルは,本論文の課題に対してよりよい結果をもたらすため,他の医療診断分野においても実験が可能である。
関連論文リスト
- TotalSegmentator: robust segmentation of 104 anatomical structures in CT
images [48.50994220135258]
身体CT画像の深層学習セグメント化モデルを提案する。
このモデルは、臓器の容積、疾患の特徴、外科的または放射線療法計画などのユースケースに関連する104の解剖学的構造を区分することができる。
論文 参考訳(メタデータ) (2022-08-11T15:16:40Z) - Acute Lymphoblastic Leukemia Detection Using Hypercomplex-Valued
Convolutional Neural Networks [1.3706331473063877]
8つの超複素数値畳み込みニューラルネットワーク(HvCNN)と実数値畳み込みニューラルネットワークを用いて分類タスクを行う。
以上の結果から,HvCNNは実数値モデルよりも優れた性能を示し,パラメータの少ない精度を示す。
論文 参考訳(メタデータ) (2022-05-26T11:16:34Z) - Deep CNNs for Peripheral Blood Cell Classification [0.0]
我々は、顕微鏡的末梢血細胞画像データセットに基づいて、27の人気の深層畳み込みニューラルネットワークアーキテクチャをベンチマークした。
血液細胞分類のためのImageNetデータセットに事前トレーニングされた最先端画像分類モデルを微調整する。
論文 参考訳(メタデータ) (2021-10-18T17:56:07Z) - 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) - Medulloblastoma Tumor Classification using Deep Transfer Learning with
Multi-Scale EfficientNets [63.62764375279861]
本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。
161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
論文 参考訳(メタデータ) (2021-09-10T13:07:11Z) - ALLNet: A Hybrid Convolutional Neural Network to Improve Diagnosis of
Acute Lymphocytic Leukemia (ALL) in White Blood Cells [0.0]
ALL Challengeデータセットには、モデルのトレーニングとテストに使用された白血球の画像10,691枚が含まれている。
提案されているハイブリッド畳み込みニューラルネットワークアーキテクチャであるAllNetは、VGG、ResNet、Inceptionモデルの組み合わせで構成されている。
テストセットでは、ALLNetは精度92.6567%、感度95.5304%、特異度85.9155%、AUCスコア0.966347、F1スコア0.94803を達成した。
論文 参考訳(メタデータ) (2021-08-18T15:24:53Z) - 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) - A Multi-Scale Conditional Deep Model for Tumor Cell Ratio Counting [4.164451715899639]
組織スライド全体の腫瘍細胞の比率を正確に把握する手法を提案する。
我々は、H&E染色組織断面の画像上で細胞を検出し分類するために訓練された、完全な畳み込みニューラルネットワークモデルを使用する。
2つのモデルを組み合わせることで、それぞれ異なる倍率で作業することで、システムはセルレベルの詳細と周囲のコンテキストの両方をキャプチャできることを示す。
論文 参考訳(メタデータ) (2021-01-27T22:40:33Z) - 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) - An interpretable classifier for high-resolution breast cancer screening
images utilizing weakly supervised localization [45.00998416720726]
医用画像の特徴に対処する枠組みを提案する。
このモデルはまず、画像全体の低容量だがメモリ効率のよいネットワークを使用して、最も情報性の高い領域を識別する。
次に、選択したリージョンから詳細を収集するために、別の高容量ネットワークを適用します。
最後に、グローバルおよびローカル情報を集約して最終的な予測を行うフュージョンモジュールを使用する。
論文 参考訳(メタデータ) (2020-02-13T15:28:42Z) - Deep Feature Fusion for Mitosis Counting [0.0]
有糸分裂細胞数は、乳がんの攻撃性または品位を評価する最も一般的な検査の1つである。
ディープラーニングネットワークは、興味のある領域を自動的にローカライズできる医療アプリケーションに適用されている。
提案手法は,オブジェクト検出のための高速RCNNを利用して,RGB画像特徴を持つUNetによって生成されたセグメンテーション機能を融合させ,MITOS-ATYPIA 2014 mitosis counting Challengeデータセット上で0.508のFスコアを達成する。
論文 参考訳(メタデータ) (2020-02-01T20:20:00Z)
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。