論文の概要: Semantic Segmentation of Anaemic RBCs Using Multilevel Deep
Convolutional Encoder-Decoder Network
- arxiv url: http://arxiv.org/abs/2202.04650v1
- Date: Wed, 9 Feb 2022 17:31:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-11 14:48:39.470150
- Title: Semantic Segmentation of Anaemic RBCs Using Multilevel Deep
Convolutional Encoder-Decoder Network
- Title(参考訳): 多レベル深層畳み込みエンコーダ・デコーダネットワークを用いた解析的RBCのセマンティックセグメンテーション
- Authors: Muhammad Shahzad, Arif Iqbal Umar, Syed Hamad Shirazi, Israr Ahmed
Shaikh
- Abstract要約: 赤血球のセグメンテーションのための畳み込みニューラルネットワーク(CNN)モデルを提案する。
提案モデルでは,1つの層から抽出した画素レベルの意味情報を保存し,次の層に渡して関連する特徴を選択する。
この現象は、形態学的解析とともに、健康および貧血-RBC元素のピクセルレベルを正確にカウントするのに役立つ。
- 参考スコア(独自算出の注目度): 2.5398817423053037
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Pixel-level analysis of blood images plays a pivotal role in diagnosing
blood-related diseases, especially Anaemia. These analyses mainly rely on an
accurate diagnosis of morphological deformities like shape, size, and precise
pixel counting. In traditional segmentation approaches, instance or
object-based approaches have been adopted that are not feasible for pixel-level
analysis. The convolutional neural network (CNN) model required a large dataset
with detailed pixel-level information for the semantic segmentation of red
blood cells in the deep learning domain. In current research work, we address
these problems by proposing a multi-level deep convolutional encoder-decoder
network along with two state-of-the-art healthy and Anaemic-RBC datasets. The
proposed multi-level CNN model preserved pixel-level semantic information
extracted in one layer and then passed to the next layer to choose relevant
features. This phenomenon helps to precise pixel-level counting of healthy and
anaemic-RBC elements along with morphological analysis. For experimental
purposes, we proposed two state-of-the-art RBC datasets, i.e., Healthy-RBCs and
Anaemic-RBCs dataset. Each dataset contains 1000 images, ground truth masks,
relevant, complete blood count (CBC), and morphology reports for performance
evaluation. The proposed model results were evaluated using crossmatch analysis
with ground truth mask by finding IoU, individual training, validation, testing
accuracies, and global accuracies using a 05-fold training procedure. This
model got training, validation, and testing accuracies as 0.9856, 0.9760, and
0.9720 on the Healthy-RBC dataset and 0.9736, 0.9696, and 0.9591 on an
Anaemic-RBC dataset. The IoU and BFScore of the proposed model were 0.9311,
0.9138, and 0.9032, 0.8978 on healthy and anaemic datasets, respectively.
- Abstract(参考訳): 血液画像のピクセルレベル分析は、血液疾患、特に貧血の診断において重要な役割を果たす。
これらの分析は主に、形状、大きさ、正確なピクセル数などの形態的変形の正確な診断に依存している。
従来のセグメンテーションでは、ピクセルレベルの分析では実現不可能なインスタンスやオブジェクトベースのアプローチが採用されている。
畳み込みニューラルネットワーク(cnn)モデルは、深層学習領域における赤血球のセマンティックセグメンテーションのための詳細なピクセルレベルの情報を含む大きなデータセットを必要とした。
本研究では,マルチレベル深層畳み込みエンコーダ・デコーダネットワークと,2つの最先端の健康データと嫌気性rbcデータセットを提案する。
提案したマルチレベルCNNモデルでは,ある層から抽出した画素レベルの意味情報を次の層に渡して関連する特徴を選択する。
この現象は、形態学的解析とともに、健康および貧血-RBC元素のピクセルレベルを正確にカウントするのに役立つ。
実験目的で、我々は最先端のRBCデータセットであるHealthy-RBCとAnaemic-RBCsデータセットを2つ提案した。
各データセットには、1000の画像、地上の真実マスク、関連性、完全血球数(CBC)、パフォーマンス評価のための形態学レポートが含まれている。
提案手法は,IoU,個別トレーニング,検証,テスト精度,グローバルアキュラシーを05倍のトレーニング手順で検出し,地中真理マスクを用いたクロスマッチ解析を用いて評価した。
このモデルは、Healthy-RBCデータセットで0.9856、0.9760、0.9720、Anaemic-RBCデータセットで0.9736、0.9696、0.9591のトレーニング、検証、テストの精度を得た。
提案したモデルのIoUとBFScoreはそれぞれ0.9311、0.9138、0.9032、0.8978である。
関連論文リスト
- Multiclass Semantic Segmentation to Identify Anatomical Sub-Regions of
Brain and Measure Neuronal Health in Parkinson's Disease [2.288652563296735]
現在、脳の解剖下領域を分析して2次元の組織像を分析する機械学習モデルは利用できない。
本研究では,Nissl/HaematoxylinおよびTyrosine hydroxylase酵素(TH,ドーパミン作動性ニューロンの生存率の指標)で染色した約1000個のアノテート2次元脳画像を用いて,ベストフィットモデルを訓練した。
このモデルは、すべての画像において2つのサブリージョンコンパクト(SNCD)とレチキュラタ(SNr)を効果的に検出できる。
論文 参考訳(メタデータ) (2023-01-07T19:35:28Z) - Significantly improving zero-shot X-ray pathology classification via
fine-tuning pre-trained image-text encoders [51.14431540035141]
下流のゼロショット病理分類性能を改善するために,文サンプリングと正対損失緩和に基づく新たな微調整手法を提案する。
4種類の胸部X線データセットを用いてゼロショット病理分類性能を劇的に改善した。
論文 参考訳(メタデータ) (2022-12-14T06:04:18Z) - 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) - Two-Stream Graph Convolutional Network for Intra-oral Scanner Image
Segmentation [133.02190910009384]
本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。
TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
論文 参考訳(メタデータ) (2022-04-19T10:41:09Z) - 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) - Feature-enhanced Adversarial Semi-supervised Semantic Segmentation
Network for Pulmonary Embolism Annotation [6.142272540492936]
本研究は,肺塞栓病変領域を自動診断する機能強化逆行性半教師付きセマンティックセマンティックセグメンテーションモデルを構築した。
近年のPEAイメージセグメンテーション手法は,教師あり学習によって訓練されている。
本研究では,少量の未ラベル画像を追加することで,異なるデータセットに適用可能なモデルを構築するための半教師付き学習手法を提案する。
論文 参考訳(メタデータ) (2022-04-08T04:21:02Z) - Improving Classification Model Performance on Chest X-Rays through Lung
Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。
提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文 参考訳(メタデータ) (2022-02-22T15:24:06Z) - 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) - 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) - G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for
Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。
2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文 参考訳(メタデータ) (2021-01-27T19:28:04Z) - Collaborative Boundary-aware Context Encoding Networks for Error Map
Prediction [65.44752447868626]
本稿では,AEP-Net と呼ばれる協調的コンテキスト符号化ネットワークを提案する。
具体的には、画像とマスクのより優れた特徴融合のための協調的な特徴変換分岐と、エラー領域の正確な局所化を提案する。
AEP-Netはエラー予測タスクの平均DSCが0.8358,0.8164であり、ピアソン相関係数が0.9873である。
論文 参考訳(メタデータ) (2020-06-25T12:42:01Z)
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。