論文の概要: Localization and Classification of Parasitic Eggs in Microscopic Images Using an EfficientDet Detector

• arxiv url: http://arxiv.org/abs/2208.01963v1
• Date: Wed, 3 Aug 2022 10:28:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-04 13:16:13.162074
• Title: Localization and Classification of Parasitic Eggs in Microscopic Images Using an EfficientDet Detector
• Title（参考訳）: 効率的なdet検出器を用いた微視的画像中の寄生卵の局在と分類
• Authors: Nouar AlDahoul (1), Hezerul Abdul Karim (1), Shaira Limson Kee (2), Myles Joshua Toledo Tan (2 and 3) ((1) Faculty of Engineering, Multimedia University, Cyberjaya, Malaysia, (2) Department of Natural Sciences, University of St. La Salle, Bacolod City, Philippines, (3) Department of Chemical Engineering, University of St. La Salle, Bacolod City, Philippines)
• Abstract要約: 寄生卵を局在させ,11種に分類するマルチモーダル学習検出器を提案する。 その結果,92%の精度で頑健な成績を示し,F1スコアは93%であった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: IPIs caused by protozoan and helminth parasites are among the most common infections in humans in LMICs. They are regarded as a severe public health concern, as they cause a wide array of potentially detrimental health conditions. Researchers have been developing pattern recognition techniques for the automatic identification of parasite eggs in microscopic images. Existing solutions still need improvements to reduce diagnostic errors and generate fast, efficient, and accurate results. Our paper addresses this and proposes a multi-modal learning detector to localize parasitic eggs and categorize them into 11 categories. The experiments were conducted on the novel Chula-ParasiteEgg-11 dataset that was used to train both EfficientDet model with EfficientNet-v2 backbone and EfficientNet-B7+SVM. The dataset has 11,000 microscopic training images from 11 categories. Our results show robust performance with an accuracy of 92%, and an F1 score of 93%. Additionally, the IOU distribution illustrates the high localization capability of the detector.
• Abstract（参考訳）: 原生動物と寄生虫によるIPIは、LMICのヒトにおいて最も多い感染症である。 それらは多くの有害な健康状態を引き起こすため、深刻な公衆衛生上の懸念と見なされている。 研究者たちは、顕微鏡画像中の寄生虫卵の自動識別のためのパターン認識技術を開発している。 既存のソリューションは、診断エラーを減らし、高速で効率的で正確な結果を生成するために改善が必要である。 本稿では,寄生卵を局在化し,11のカテゴリに分類するマルチモーダル学習検出器を提案する。 実験は、EfficientNet-v2バックボーンとEfficientNet-B7+SVMでEfficientDetモデルをトレーニングするために使用された新しいChula-ParasiteEgg-11データセットで実施された。 データセットには11のカテゴリから11,000の微視的トレーニングイメージがある。 その結果,92%の精度で頑健な成績を示し,F1スコアは93%であった。 さらに、IOU分布は検出器の高位置化能力を示す。

関連論文リスト

• SMILE-UHURA Challenge -- Small Vessel Segmentation at Mesoscopic Scale from Ultra-High Resolution 7T Magnetic Resonance Angiograms [60.35639972035727]
  公開されている注釈付きデータセットの欠如は、堅牢で機械学習駆動のセグメンテーションアルゴリズムの開発を妨げている。 SMILE-UHURAチャレンジは、7T MRIで取得したTime-of-Flightアンジオグラフィーの注釈付きデータセットを提供することで、公開されている注釈付きデータセットのギャップに対処する。 Diceスコアは、それぞれのデータセットで0.838 $pm$0.066と0.716 $pm$ 0.125まで到達し、平均パフォーマンスは0.804 $pm$ 0.15までになった。
  論文  参考訳（メタデータ） (2024-11-14T17:06:00Z)
• Active Prompt Tuning Enables Gpt-40 To Do Efficient Classification Of Microscopy Images [0.0]
  顕微鏡画像中の細胞の特徴を分類する従来のディープラーニングベースの手法は、トレーニングモデルに時間と労働集約的なプロセスを必要とする。 我々は以前、パイロットデータセット上でOpenAIのGPT-4(V)モデルを使用してこれらの課題を克服するソリューションを提案した。 パイロットデータセットの結果は精度が同等で、ベースラインに比べてスループットが大幅に向上した。
  論文  参考訳（メタデータ） (2024-11-04T21:56:48Z)
• Towards Robust Plant Disease Diagnosis with Hard-sample Re-mining Strategy [6.844857856353672]
  ハードサンプルリマイニング(HSReM)という,シンプルだが効果的なトレーニング戦略を提案する。 HSReMは、健康なデータの診断性能を高め、同時に疾患データの性能を向上させるように設計されている。 実験の結果,HSReMトレーニング戦略は大規模未確認データに対する診断性能を大幅に向上させることが示された。
  論文  参考訳（メタデータ） (2023-09-05T02:26:42Z)
• Data-Efficient Vision Transformers for Multi-Label Disease Classification on Chest Radiographs [55.78588835407174]
  視覚変換器(ViT)は一般的な画像の分類性能が高いにもかかわらず、このタスクには適用されていない。 ViTは、畳み込みではなくパッチベースの自己アテンションに依存しており、CNNとは対照的に、ローカル接続に関する事前の知識は存在しない。 以上の結果から,ViTとCNNのパフォーマンスはViTの利点に匹敵するものの,DeiTsはトレーニング用に適度に大規模なデータセットが利用可能であれば,前者よりも優れることがわかった。
  論文  参考訳（メタデータ） (2022-08-17T09:07:45Z)
• Detection of Parasitic Eggs from Microscopy Images and the emergence of a new dataset [8.957918272018045]
  顕微鏡画像における寄生卵の自動検出は、人間の専門家の効率を高める可能性がある。 私たちは、成功したアーキテクチャを検知に利用し、異なるドメインに取り組むように適応します。 本稿では,GAN(Generative Adversarial Network)とFaster-RCNN(Faster-RCNN)による画像強調とオブジェクト検出の結果を示す。
  論文  参考訳（メタデータ） (2022-03-06T11:44:35Z)
• Performance, Successes and Limitations of Deep Learning Semantic Segmentation of Multiple Defects in Transmission Electron Micrographs [9.237363938772479]
  深層学習Mask Regional Convolutional Neural Network (Mask R-CNN)モデルを用いて, 電子顕微鏡によるFeCrAl合金の欠陥のセマンティックセグメンテーションを行う。 本稿では, 欠陥形状の予測分布, 欠陥サイズ, 欠陥同感度などの量に着目し, キーモデルの性能統計の詳細な分析を行う。 全体として、現在のモデルは、顕微鏡画像中の複数の欠陥タイプを自動解析し、定量化するための、高速で効果的なツールであることがわかった。
  論文  参考訳（メタデータ） (2021-10-15T17:57:59Z)
• 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)
• Parasitic Egg Detection and Classification in Low-cost Microscopic Images using Transfer Learning [1.6050172226234583]
  高品質な顕微鏡画像における自動寄生虫分類の効率を高めるために, トランスファーラーニング戦略を用いたCNNベースの手法を提案する。 提案するフレームワークは,最先端のオブジェクト認識手法よりも優れている。 本システムと専門家による最終決定が組み合わさって, 低コスト顕微鏡による実地精査を改善できる可能性がある。
  論文  参考訳（メタデータ） (2021-07-02T11:05:45Z)
• 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)
• Residual Attention U-Net for Automated Multi-Class Segmentation of COVID-19 Chest CT Images [46.844349956057776]
  新型コロナウイルス感染症(COVID-19)は世界中で急速に広がり、公衆衛生や経済に大きな影響を及ぼしている。 新型コロナウイルスによる肺感染症を効果的に定量化する研究はいまだにない。 複数の新型コロナウイルス感染症領域の自動セグメンテーションのための新しいディープラーニングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-04-12T16:24:59Z)
• 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。