論文の概要: Pathological Analysis of Blood Cells Using Deep Learning Techniques
- arxiv url: http://arxiv.org/abs/2111.03274v1
- Date: Fri, 5 Nov 2021 05:37:10 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-08 15:10:58.468937
- Title: Pathological Analysis of Blood Cells Using Deep Learning Techniques
- Title（参考訳）: 深層学習を用いた血液細胞の病理学的解析
- Authors: Virender Ranga, Shivam Gupta, Priyansh Agrawal and Jyoti Meena
- Abstract要約: 血液細胞像を様々なカテゴリに分類するニューラルネットワークが提案されている。
提案したモデルの性能は、既存の標準アーキテクチャよりも優れており、様々な研究者によってなされている。
- 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: Pathology deals with the practice of discovering the reasons for disease by
analyzing the body samples. The most used way in this field, is to use
histology which is basically studying and viewing microscopic structures of
cell and tissues. The slide viewing method is widely being used and converted
into digital form to produce high resolution images. This enabled the area of
deep learning and machine learning to deep dive into this field of medical
sciences. In the present study, a neural based network has been proposed for
classification of blood cells images into various categories. When input image
is passed through the proposed architecture and all the hyper parameters and
dropout ratio values are used in accordance with proposed algorithm, then model
classifies the blood images with an accuracy of 95.24%. The performance of
proposed model is better than existing standard architectures and work done by
various researchers. Thus model will enable development of pathological system
which will reduce human errors and daily load on laboratory men. This will in
turn help pathologists in carrying out their work more efficiently and
effectively.
- Abstract（参考訳）: 病理学は、身体サンプルを分析して病気の原因を発見する実践を扱う。
この分野で最もよく使われる方法は、細胞や組織の微細な構造を研究し、観察する組織学を使うことである。
スライド表示法は,高解像度画像を生成するために広く使われ,デジタル形式に変換されている。
これにより、ディープラーニングと機械学習の領域が、この医療科学の分野に深く入り込んだ。
本研究では, 血液細胞像を様々なカテゴリに分類するためのニューラルネットワークが提案されている。
入力画像が提案したアーキテクチャを通過し、提案アルゴリズムに従って全てのハイパーパラメータとドロップアウト比値が使用される場合、モデルが95.24%の精度で血液画像の分類を行う。
提案モデルの性能は、既存の標準アーキテクチャや様々な研究者による作業よりも優れている。
このようにモデルにより、ヒトのエラーを減らし、実験室の男性に毎日負荷をかける病的システムの開発が可能になる。
これは、病理学者がより効率的かつ効果的に仕事を遂行するのに役立つだろう。
関連論文リスト
- Analysis of Modern Computer Vision Models for Blood Cell Classification [49.1574468325115]
この研究では、MaxVit、EfficientVit、EfficientNet、EfficientNetV2、MobileNetV3といった最先端アーキテクチャを使用して、迅速かつ正確な結果を得る。
本手法は,従来の手法の速度と精度の懸念に対処するだけでなく,血液学的解析における革新的な深層学習モデルの適用性についても検討する。
論文 参考訳（メタデータ） (2024-06-30T16:49:29Z) - Improving Classification of Retinal Fundus Image Using Flow Dynamics
Optimized Deep Learning Methods [0.0]
糖尿病網膜症(英: Diabetic Retinopathy, DR)は、糖尿病において網膜に存在する血管網を損傷する障害である。
経験豊富な臨床医は、疾患の特定に使用される画像中の腫瘍を識別する必要があるため、カラー・ファンドス画像を用いてDR診断を行うのにしばらく時間がかかる可能性がある。
論文 参考訳（メタデータ） (2023-04-29T16:11:34Z) - Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。
腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文 参考訳（メタデータ） (2023-03-07T09:40:22Z) - A Morphology Focused Diffusion Probabilistic Model for Synthesis of
Histopathology Images [0.5541644538483947]
深層学習法は組織像の解析と分類に大きな進歩をもたらした。
これらの合成画像は、教育、熟練度テスト、プライバシ、データ共有など、病理学にいくつかの応用がある。
論文 参考訳（メタデータ） (2022-09-27T05:58:35Z) - Contrastive Brain Network Learning via Hierarchical Signed Graph Pooling
Model [64.29487107585665]
脳機能ネットワーク上のグラフ表現学習技術は、臨床表現型および神経変性疾患のための新しいバイオマーカーの発見を容易にする。
本稿では,脳機能ネットワークからグラフレベル表現を抽出する階層型グラフ表現学習モデルを提案する。
また、モデルの性能をさらに向上させるために、機能的脳ネットワークデータをコントラスト学習のために拡張する新たな戦略を提案する。
論文 参考訳（メタデータ） (2022-07-14T20:03:52Z) - A Deep Reinforcement Learning Framework for Rapid Diagnosis of Whole
Slide Pathological Images [4.501311544043762]
本稿では,ネットワーク推論に要する時間を大幅に削減できる,弱教師付き深層強化学習フレームワークを提案する。
ニューラルネットワークを用いて,強化学習エージェントの探索モデルと決定モデルを構築する。
実験結果から,提案手法は画素レベルのアノテーションを使わずに,スライド画像全体の高速な推測と精度の予測が可能であることが示唆された。
論文 参考訳（メタデータ） (2022-05-05T14:20:29Z) - 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) - 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) - Self-Supervised Representation Learning using Visual Field Expansion on
Digital Pathology [7.568373895297608]
このような画像を分析する上で重要な課題は、そのサイズであり、そのサイズはギガピクセルに収まる。
本稿では,このようなタイルの強力な表現を学習し,視界を確実に拡張する新しい生成フレームワークを提案する。
我々のモデルは、異なる臨床エンドポイントに使用できる強力な表現を同時に学習しながら、細部で異なる組織タイプを生成することを学習する。
論文 参考訳（メタデータ） (2021-09-07T19:20:01Z) - Generative Adversarial U-Net for Domain-free Medical Image Augmentation [49.72048151146307]
注釈付き医用画像の不足は、医用画像コンピューティングの分野における最大の課題の1つだ。
本稿では,生成逆U-Netという新しい生成手法を提案する。
当社の新しいモデルは、ドメインフリーで、さまざまな医療画像に汎用性があります。
論文 参考訳（メタデータ） (2021-01-12T23:02:26Z) - 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)
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。