論文の概要: DeFungi: Direct Mycological Examination of Microscopic Fungi Images
- arxiv url: http://arxiv.org/abs/2109.07322v1
- Date: Wed, 15 Sep 2021 14:25:28 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-16 15:09:32.259331
- Title: DeFungi: Direct Mycological Examination of Microscopic Fungi Images
- Title（参考訳）: DeFungi:顕微鏡真菌画像の直接組織学的検討
- Authors: Camilo Javier Pineda Sopo, Farshid Hajati, Soheila Gheisari
- Abstract要約: 本稿では,2つの異なる深層学習手法と3つの畳み込みニューラルネットワークモデルを用いて,5種類の菌類を分類した実験結果を提案する。
スクラッチから訓練された最高の性能モデルはインセプションV3であり、精度は73.2%だった。
構築されたデータセットは、将来の研究を促進するために、KaggleとGitHubで公開されている。
- 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: Traditionally, diagnosis and treatment of fungal infections in humans depend
heavily on face-to-face consultations or examinations made by specialized
laboratory scientists known as mycologists. In many cases, such as the recent
mucormycosis spread in the COVID-19 pandemic, an initial treatment can be
safely suggested to the patient during the earliest stage of the mycological
diagnostic process by performing a direct examination of biopsies or samples
through a microscope. Computer-aided diagnosis systems using deep learning
models have been trained and used for the late mycological diagnostic stages.
However, there are no reference literature works made for the early stages. A
mycological laboratory in Colombia donated the images used for the development
of this research work. They were manually labelled into five classes and
curated with a subject matter expert assistance. The images were later cropped
and patched with automated code routines to produce the final dataset. This
paper presents experimental results classifying five fungi types using two
different deep learning approaches and three different convolutional neural
network models, VGG16, Inception V3, and ResNet50. The first approach
benchmarks the classification performance for the models trained from scratch,
while the second approach benchmarks the classification performance using
pre-trained models based on the ImageNet dataset. Using k-fold cross-validation
testing on the 5-class dataset, the best performing model trained from scratch
was Inception V3, reporting 73.2% accuracy. Also, the best performing model
using transfer learning was VGG16 reporting 85.04%. The statistics provided by
the two approaches create an initial point of reference to encourage future
research works to improve classification performance. Furthermore, the dataset
built is published in Kaggle and GitHub to foster future research.
- Abstract（参考訳）: 伝統的に、ヒトの真菌感染症の診断と治療は、菌類学者として知られる専門の実験室科学者による対面の相談や検査に大きく依存している。
新型コロナウイルス(COVID-19)パンデミックで流行した最近の粘菌症など、多くの場合、顕微鏡で生検やサンプルを直接検査することにより、組織診断の初期段階において患者に安全な初期治療を提案できる。
深層学習モデルを用いたコンピュータ支援診断システムを訓練し, 後期の菌学的診断に用いた。
ただし、初期の文献には言及されていない。
コロンビアの菌学研究所は、この研究の発展に使用される画像に寄付した。
彼らは手作業で5つのクラスに分類され、専門的な支援を受けた。
イメージは後に収集され、最終データセットを生成するために自動コードルーチンでパッチが当てられた。
本稿では,2種類の深層学習手法と3種類の畳み込みニューラルネットワークモデル,vgg16,inception v3,resnet50を用いて5種類の菌類を分類した。
第1のアプローチでは、スクラッチからトレーニングされたモデルの分類性能をベンチマークし、第2のアプローチでは、ImageNetデータセットに基づいて事前トレーニングされたモデルを使用して分類性能をベンチマークする。
5つのクラスデータセットでk-foldクロスバリデーションテストを使用することで、スクラッチからトレーニングした最良のパフォーマンスモデルがインセプションv3で、73.2%の精度を示した。
また、転送学習を用いた最高の性能モデルはVGG16レポート85.04%であった。
2つのアプローチによって提供される統計は、分類性能を改善するために将来の研究作業を奨励する最初の参照点となる。
さらに、構築されたデータセットは、将来の研究を促進するためにkaggleとgithubで公開されている。
関連論文リスト
- Computational Pathology at Health System Scale -- Self-Supervised
Foundation Models from Three Billion Images [30.618749295623363]
本研究の目的は,学術基礎モデルの最大化と,事前学習による自己指導型学習アルゴリズムのベンチマークである。
これまでで最大の病理データセットを収集し、423万枚以上の顕微鏡スライドから30億枚以上の画像を集めました。
以上の結果から, 自然画像の事前学習と比較して, 診断データに対する事前学習は下流での学習に有益であることが示唆された。
論文 参考訳（メタデータ） (2023-10-10T21:40:19Z) - LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical
Imaging via Second-order Graph Matching [59.01894976615714]
LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。
55の公開データセットから約13万の医療画像を収集しました。
LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
論文 参考訳（メタデータ） (2023-06-20T22:21:34Z) - MedFMC: A Real-world Dataset and Benchmark For Foundation Model
Adaptation in Medical Image Classification [41.16626194300303]
ファンデーションモデルは、多くの場合、大規模なデータで事前訓練されているが、様々なビジョンや言語アプリケーションのジャンプ開始において、最も成功している。
最近の進歩により、下流タスクにおける基礎モデルの適応は、少数のトレーニングサンプルだけで効率的に行えるようになった。
しかし, 医用画像解析におけるそのような学習パラダイムの適用は, 一般に公開されているデータやベンチマークが不足しているため, 依然として少ない。
論文 参考訳（メタデータ） (2023-06-16T01:46:07Z) - Performance of GAN-based augmentation for deep learning COVID-19 image
classification [57.1795052451257]
ディープラーニングを医療分野に適用する上で最大の課題は、トレーニングデータの提供である。
データ拡張は、限られたデータセットに直面した時に機械学習で使用される典型的な方法論である。
本研究は, 新型コロナウイルスの胸部X線画像セットを限定して, StyleGAN2-ADAモデルを用いて訓練するものである。
論文 参考訳（メタデータ） (2023-04-18T15:39:58Z) - Significantly improving zero-shot X-ray pathology classification via fine-tuning pre-trained image-text encoders [50.689585476660554]
本稿では,正対損失緩和とランダムな文サンプリングを含む新たな微調整手法を提案する。
提案手法は,胸部X線データセットと3つの事前訓練モデル間のゼロショット病理分類を一貫して改善する。
論文 参考訳（メタデータ） (2022-12-14T06:04:18Z) - Application of Transfer Learning and Ensemble Learning in Image-level
Classification for Breast Histopathology [9.037868656840736]
CAD(Computer-Aided Diagnosis)では、従来の分類モデルでは、主に1つのネットワークを使って特徴を抽出する。
本稿では良性病変と悪性病変のバイナリ分類のための画像レベルラベルに基づく深層アンサンブルモデルを提案する。
結果: アンサンブルネットワークモデルにおいて、画像レベルのバイナリ分類は9,8.90%の精度を達成する。
論文 参考訳（メタデータ） (2022-04-18T13:31:53Z) - 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) - A multi-stage machine learning model on diagnosis of esophageal
manometry [50.591267188664666]
このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。
これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
論文 参考訳（メタデータ） (2021-06-25T20:09:23Z) - A Deep Learning Study on Osteosarcoma Detection from Histological Images [6.341765152919201]
最も一般的な悪性骨腫瘍は骨肉腫である。
CNNは、外科医の作業量を著しく減らし、患者の状態の予後を良くする。
CNNは、より信頼できるパフォーマンスを達成するために、大量のデータをトレーニングする必要があります。
論文 参考訳（メタデータ） (2020-11-02T18:16:17Z) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳（メタデータ） (2020-09-02T02:50:30Z) - Retinopathy of Prematurity Stage Diagnosis Using Object Segmentation and
Convolutional Neural Networks [68.96150598294072]
未熟児網膜症(英: Retinopathy of Prematurity、ROP)は、主に体重の低い未熟児に影響を及ぼす眼疾患である。
網膜の血管の増殖を招き、視力喪失を招き、最終的には網膜剥離を招き、失明を引き起こす。
近年,ディープラーニングを用いて診断を自動化する試みが盛んに行われている。
本稿では,従来のモデルの成功を基盤として,オブジェクトセグメンテーションと畳み込みニューラルネットワーク(CNN)を組み合わせた新しいアーキテクチャを開発する。
提案システムでは,まず対象分割モデルを訓練し,画素レベルでの区切り線を識別し,その結果のマスクを追加の"カラー"チャネルとして付加する。
論文 参考訳（メタデータ） (2020-04-03T14:07:41Z)
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。