論文の概要: Cell nuclei classification in histopathological images using hybrid
OLConvNet
- arxiv url: http://arxiv.org/abs/2202.10177v1
- Date: Mon, 21 Feb 2022 12:39:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-23 09:32:12.377407
- Title: Cell nuclei classification in histopathological images using hybrid
OLConvNet
- Title（参考訳）: ハイブリッドolconvnetを用いた病理組織像の細胞核分類
- Authors: Suvidha Tripathi and Satish Kumar Singh
- Abstract要約: 我々は,ハイブリッドでフレキシブルなディープラーニングアーキテクチャOLConvNetを提案している。
CNN_3L$は、少ないパラメータをトレーニングすることで、トレーニング時間を短縮する。
提案手法は, 現代の複雑なアルゴリズムよりも良好に動作し, 性能が向上することを示した。
- 参考スコア（独自算出の注目度）: 13.858624044986815
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Computer-aided histopathological image analysis for cancer detection is a
major research challenge in the medical domain. Automatic detection and
classification of nuclei for cancer diagnosis impose a lot of challenges in
developing state of the art algorithms due to the heterogeneity of cell nuclei
and data set variability. Recently, a multitude of classification algorithms
has used complex deep learning models for their dataset. However, most of these
methods are rigid and their architectural arrangement suffers from
inflexibility and non-interpretability. In this research article, we have
proposed a hybrid and flexible deep learning architecture OLConvNet that
integrates the interpretability of traditional object-level features and
generalization of deep learning features by using a shallower Convolutional
Neural Network (CNN) named as $CNN_{3L}$. $CNN_{3L}$ reduces the training time
by training fewer parameters and hence eliminating space constraints imposed by
deeper algorithms. We used F1-score and multiclass Area Under the Curve (AUC)
performance parameters to compare the results. To further strengthen the
viability of our architectural approach, we tested our proposed methodology
with state of the art deep learning architectures AlexNet, VGG16, VGG19,
ResNet50, InceptionV3, and DenseNet121 as backbone networks. After a
comprehensive analysis of classification results from all four architectures,
we observed that our proposed model works well and perform better than
contemporary complex algorithms.
- Abstract（参考訳）: がん検出のためのコンピュータ支援組織像解析は、医療領域における大きな研究課題である。
がん診断のための核の自動検出と分類は、細胞核の多様性とデータセットの変動のために、artアルゴリズムの開発に多くの課題を課している。
近年,多くの分類アルゴリズムが複雑なディープラーニングモデルをデータセットに用いている。
しかし、これらの手法のほとんどは厳格であり、そのアーキテクチャ配置は柔軟性と非解釈性に苦しむ。
本稿では,従来のオブジェクト指向機能の解釈性とディープラーニング機能の一般化を,$cnn_{3l}$と呼ばれる浅層畳み込みニューラルネットワーク(cnn)を用いて統合した,ハイブリッドでフレキシブルなディープラーニングアーキテクチャolconvnetを提案する。
cnn_{3l}$はより少ないパラメータのトレーニングでトレーニング時間を短縮し、より深いアルゴリズムによって課される空間制約を取り除く。
F1スコアとAUC(Area Under the Curve)のパフォーマンスパラメータを用いて結果を比較した。
アーキテクチャアプローチの実用性をさらに高めるため,AlexNet,VGG16,VGG19,ResNet50,InceptionV3,DenseNet121といった最先端のディープラーニングアーキテクチャをバックボーンネットワークとしてテストした。
4つのアーキテクチャすべてから分類結果の包括的な分析を行った結果,提案手法が現代の複雑なアルゴリズムよりもうまく機能し,優れた性能を示すことがわかった。
関連論文リスト
- Unveiling the Unseen: Identifiable Clusters in Trained Depthwise
Convolutional Kernels [56.69755544814834]
深部分離型畳み込みニューラルネットワーク(DS-CNN)の最近の進歩は、新しいアーキテクチャをもたらす。
本稿では,DS-CNNアーキテクチャのもう一つの顕著な特性を明らかにする。
論文 参考訳（メタデータ） (2024-01-25T19:05:53Z) - Leveraging Frequency Domain Learning in 3D Vessel Segmentation [50.54833091336862]
本研究では,Fourier領域学習を3次元階層分割モデルにおけるマルチスケール畳み込みカーネルの代用として活用する。
管状血管分割作業において,新しいネットワークは顕著なサイス性能(ASACA500が84.37%,ImageCASが80.32%)を示した。
論文 参考訳（メタデータ） (2024-01-11T19:07:58Z) - HKNAS: Classification of Hyperspectral Imagery Based on Hyper Kernel
Neural Architecture Search [104.45426861115972]
設計したハイパーカーネルを利用して,構造パラメータを直接生成することを提案する。
我々は1次元または3次元の畳み込みを伴う画素レベルの分類と画像レベルの分類を別々に行う3種類のネットワークを得る。
6つの公開データセットに関する一連の実験は、提案手法が最先端の結果を得ることを示した。
論文 参考訳（メタデータ） (2023-04-23T17:27:40Z) - Adaptive Convolutional Dictionary Network for CT Metal Artifact
Reduction [62.691996239590125]
本稿では,金属人工物削減のための適応畳み込み辞書ネットワーク(ACDNet)を提案する。
我々のACDNetは、トレーニングデータを介して、アーティファクトフリーCT画像の事前を自動で学習し、入力されたCT画像ごとに表現カーネルを適応的に調整することができる。
本手法は,モデルに基づく手法の明確な解釈可能性を継承し,学習に基づく手法の強力な表現能力を維持する。
論文 参考訳（メタデータ） (2022-05-16T06:49:36Z) - End-to-end Neuron Instance Segmentation based on Weakly Supervised
Efficient UNet and Morphological Post-processing [0.0]
組織像からNeuN染色神経細胞を自動的に検出し,分画するエンド・ツー・エンド・エンド・エンド型のフレームワークを提案する。
私たちは最先端のネットワークであるEfficientNetをU-Netのようなアーキテクチャに統合します。
論文 参考訳（メタデータ） (2022-02-17T14:35:45Z) - Learning A 3D-CNN and Transformer Prior for Hyperspectral Image
Super-Resolution [80.93870349019332]
本稿では,CNN の代わりに Transformer を用いて HSI の事前学習を行う新しい HSISR 手法を提案する。
具体的には、まず勾配アルゴリズムを用いてHSISRモデルを解き、次に展開ネットワークを用いて反復解過程をシミュレートする。
論文 参考訳（メタデータ） (2021-11-27T15:38:57Z) - Cells are Actors: Social Network Analysis with Classical ML for SOTA
Histology Image Classification [1.4806818833792859]
本稿では,組織マイクロ環境の複雑な構造を記述するために,統計ネットワーク解析手法を提案する。
ネットワーク内の細胞間の相互作用のみを解析することにより、CRAグレーディングのための高度に識別可能な統計的特徴を抽出できることが示される。
我々は,広帯域CRCヒストロジー画像データセット上にセルネットワークを作成し,提案手法を実験し,三クラスCRAグレーディングの予測のための最先端性能を報告した。
論文 参考訳（メタデータ） (2021-06-29T12:22:10Z) - Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。
本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
論文 参考訳（メタデータ） (2021-06-17T17:26:31Z) - Differentiable Neural Architecture Learning for Efficient Neural Network
Design [31.23038136038325]
スケールド・シグモイド関数に基づく新しいemphアーキテクチャのパラメータ化を提案する。
そこで本論文では,候補ニューラルネットワークを評価することなく,ニューラルネットワークを最適化するための汎用的エファイブルニューラルネットワーク学習(DNAL)手法を提案する。
論文 参考訳（メタデータ） (2021-03-03T02:03:08Z) - Genetic U-Net: Automatically Designed Deep Networks for Retinal Vessel
Segmentation Using a Genetic Algorithm [2.6629444004809826]
遺伝的U-Netは、より優れた網膜血管セグメンテーションを実現することができるが、アーキテクチャに基づくパラメータが少ないU字型畳み込みニューラルネットワーク(CNN)を生成するために提案されている。
実験の結果,提案手法を用いて得られたアーキテクチャは,元のU-Netパラメータの1%以下で優れた性能を示した。
論文 参考訳（メタデータ） (2020-10-29T13:31:36Z) - A Genetic Algorithm based Kernel-size Selection Approach for a
Multi-column Convolutional Neural Network [11.040847116812046]
本稿では,畳み込みニューラルネットワークアーキテクチャのハイパーパラメータ(カーネルサイズ)の最適組み合わせを見つけるための遺伝的アルゴリズムに基づく手法を提案する。
本手法は手書き文字と数字の異なる3つの一般的なデータセットで評価される。
論文 参考訳（メタデータ） (2019-12-28T05:37:28Z)
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。