論文の概要: ALLNet: A Hybrid Convolutional Neural Network to Improve Diagnosis of
Acute Lymphocytic Leukemia (ALL) in White Blood Cells
- arxiv url: http://arxiv.org/abs/2108.08195v1
- Date: Wed, 18 Aug 2021 15:24:53 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-19 14:49:34.843238
- Title: ALLNet: A Hybrid Convolutional Neural Network to Improve Diagnosis of
Acute Lymphocytic Leukemia (ALL) in White Blood Cells
- Title(参考訳): ALLNet: 白血球の急性リンパ性白血病(ALL)の診断を改善するハイブリッド畳み込みニューラルネットワーク
- Authors: Sai Mattapalli, Rishi Athavale
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Due to morphological similarity at the microscopic level, making an accurate
and time-sensitive distinction between blood cells affected by Acute
Lymphocytic Leukemia (ALL) and their healthy counterparts calls for the usage
of machine learning architectures. However, three of the most common models,
VGG, ResNet, and Inception, each come with their own set of flaws with room for
improvement which demands the need for a superior model. ALLNet, the proposed
hybrid convolutional neural network architecture, consists of a combination of
the VGG, ResNet, and Inception models. The ALL Challenge dataset of ISBI 2019
(available here) contains 10,691 images of white blood cells which were used to
train and test the models. 7,272 of the images in the dataset are of cells with
ALL and 3,419 of them are of healthy cells. Of the images, 60% were used to
train the model, 20% were used for the cross-validation set, and 20% were used
for the test set. ALLNet outperformed the VGG, ResNet, and the Inception models
across the board, achieving an accuracy of 92.6567%, a sensitivity of 95.5304%,
a specificity of 85.9155%, an AUC score of 0.966347, and an F1 score of 0.94803
in the cross-validation set. In the test set, ALLNet achieved an accuracy of
92.0991%, a sensitivity of 96.5446%, a specificity of 82.8035%, an AUC score of
0.959972, and an F1 score of 0.942963. The utilization of ALLNet in the
clinical workspace can better treat the thousands of people suffering from ALL
across the world, many of whom are children.
- Abstract(参考訳): 顕微鏡レベルでの形態的類似性のため、急性リンパ性白血病(ALL)の影響を受ける細胞と、その健康な細胞の間で正確な時間的に区別される。
しかしながら、VGG、ResNet、Inceptionの3つの最も一般的なモデルには、それぞれ独自の欠陥セットがあり、改善の余地があり、優れたモデルの必要性が要求される。
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。
ISBI 2019のALL Challengeデータセット(こちら)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。
データセットの7,272枚は細胞で、そのうち3,419枚は健康な細胞です。
画像のうち60%がモデルのトレーニングに使われ、20%がクロスバリデーションセットに、20%がテストセットに使用された。
ALLNetはボード全体のVGG、ResNet、インセプションモデルを上回っ、精度は92.6567%、感度は95.5304%、特異性は85.9155%、AUCスコアは0.966347、F1スコアは0.94803であった。
テストセットでは、ALLNetは92.0991%、感度96.5446%、特異度82.8035%、AUCスコア0.959972、F1スコア0.942963を達成した。
臨床ワークスペースにおけるallnetの利用は、世界中の何千人もの人々が、そのほとんどが子供であるように、より良く治療することができる。
関連論文リスト
- TBDLNet: a network for classifying multidrug-resistant and
drug-sensitive tuberculosis [20.278451340628624]
TBDLNetは多剤耐性結核および薬剤感受性結核の分類に適している。
多剤耐性肺結核をできるだけ早く検出でき、治療計画の調整と治療効果の改善に役立つ。
論文 参考訳(メタデータ) (2023-10-27T15:51:33Z) - Vision Transformer for Efficient Chest X-ray and Gastrointestinal Image
Classification [2.3293678240472517]
本研究では,多種多様なCNNとトランスフォーマーを用いたデータ拡張手法を提案する。
異なるモダリティから3つの医用画像データセットを用いて評価を行った。
論文 参考訳(メタデータ) (2023-04-23T04:07:03Z) - Uncertainty-inspired Open Set Learning for Retinal Anomaly
Identification [71.06194656633447]
9つの網膜条件の基底像をトレーニングし,不確実性に着想を得たオープンセット(UIOS)モデルを構築した。
しきい値戦略を持つUIOSモデルはF1スコア99.55%、97.01%、91.91%を達成した。
UIOSは、高い不確実性スコアを正しく予測し、非ターゲットの網膜疾患、低品質の眼底画像、および非基本画像のデータセットを手動でチェックする必要があることを示唆した。
論文 参考訳(メタデータ) (2023-04-08T10:47:41Z) - Attention-based Saliency Maps Improve Interpretability of Pneumothorax
Classification [52.77024349608834]
視覚変換器(ViT)の胸部X線撮影(CXR)分類性能と注意ベース唾液の解釈可能性について検討する。
ViTは、CheXpert、Chest X-Ray 14、MIMIC CXR、VinBigDataの4つの公開データセットを用いて、肺疾患分類のために微調整された。
ViTsは最先端のCNNと比べてCXR分類AUCに匹敵するものであった。
論文 参考訳(メタデータ) (2023-03-03T12:05:41Z) - CIRCA: comprehensible online system in support of chest X-rays-based
COVID-19 diagnosis [37.41181188499616]
深層学習技術は、新型コロナウイルスの迅速検出と疾患の進行のモニタリングに役立つ。
5つの異なるデータセットを使用して、モデルトレーニングのための23の799 CXRの代表的なデータセットを構築した。
The U-Net-based model was developed to identified a clinically relevant region of the CXR。
論文 参考訳(メタデータ) (2022-10-11T13:30:34Z) - Osteoporosis Prescreening using Panoramic Radiographs through a Deep
Convolutional Neural Network with Attention Mechanism [65.70943212672023]
注意モジュールを持つディープ畳み込みニューラルネットワーク(CNN)はパノラマX線写真上で骨粗しょう症を検出することができる。
49歳から60歳までの70種類のパノラマX線写真(PR)のデータセットを用いて検討した。
論文 参考訳(メタデータ) (2021-10-19T00:03:57Z) - The Report on China-Spain Joint Clinical Testing for Rapid COVID-19 Risk
Screening by Eye-region Manifestations [59.48245489413308]
携帯電話カメラで中国とスペインで撮影された視線領域の画像を用いて、新型コロナウイルスの早期スクリーニングモデルを開発し、テストした。
AUC, 感度, 特異性, 精度, F1。
論文 参考訳(メタデータ) (2021-09-18T02:28:01Z) - Classification of Diabetic Retinopathy Severity in Fundus Images with
DenseNet121 and ResNet50 [7.002240694310425]
深層学習アルゴリズムは、糖尿病網膜症の重症度の観点から、基底画像の分類に使用される。
平均バリデーション損失0.17、最大バリデーション精度85パーセントを達成しました。
論文 参考訳(メタデータ) (2021-08-19T03:28:45Z) - Vision Transformers for femur fracture classification [59.99241204074268]
Vision Transformer (ViT) はテスト画像の83%を正確に予測することができた。
史上最大かつ最もリッチなデータセットを持つサブフラクチャーで良い結果が得られた。
論文 参考訳(メタデータ) (2021-08-07T10:12:42Z) - Acute Lymphoblastic Leukemia Detection from Microscopic Images Using
Weighted Ensemble of Convolutional Neural Networks [4.095759108304108]
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。
論文 参考訳(メタデータ) (2021-05-09T18:58:48Z) - 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。