論文の概要: Malaria Parasitic Detection using a New Deep Boosted and Ensemble Learning Framework

• arxiv url: http://arxiv.org/abs/2212.02477v3
• Date: Wed, 20 Mar 2024 00:20:34 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-21 23:16:59.371065
• Title: Malaria Parasitic Detection using a New Deep Boosted and Ensemble Learning Framework
• Title（参考訳）: 新しい深層・アンサンブル学習フレームワークを用いたマラリア寄生虫検出
• Authors: Saddam Hussain Khan, Tahani Jaser Alahmadi,
• Abstract要約: Deep Boosted and Ensemble Learning (DBEL)フレームワークはマラリア原虫の画像をスクリーニングするために開発された。 提案するフレームワークは、顕著で多様なブーストチャネルの積み重ねを含意し、開発したBoosted-BR-STMの識別特性を提供する。 このフレームワークは精度(98.50%)、感度(0.9920)、Fスコア(0.9850)、AUC(0.997)を達成した。
• 参考スコア（独自算出の注目度）: 1.0523436939538895
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Malaria is a potentially fatal plasmodium parasite injected by female anopheles mosquitoes that infect red blood cells and millions worldwide yearly. However, specialists' manual screening in clinical practice is laborious and prone to error. Therefore, a novel Deep Boosted and Ensemble Learning (DBEL) framework, comprising the stacking of new Boosted-BR-STM convolutional neural networks (CNN) and the ensemble ML classifiers, is developed to screen malaria parasite images. The proposed Boosted-BR-STM is based on a new dilated-convolutional block-based split transform merge (STM) and feature-map Squeezing-Boosting (SB) ideas. Moreover, the new STM block uses regional and boundary operations to learn the malaria parasite's homogeneity, heterogeneity, and boundary with patterns. Furthermore, the diverse boosted channels are attained by employing Transfer Learning-based new feature-map SB in STM blocks at the abstract, medium, and conclusion levels to learn minute intensity and texture variation of the parasitic pattern. The proposed DBEL framework implicates the stacking of prominent and diverse boosted channels and provides the generated discriminative features of the developed Boosted-BR-STM to the ensemble of ML classifiers. The proposed framework improves the discrimination ability and generalization of ensemble learning. Moreover, the deep feature spaces of the developed Boosted-BR-STM and customized CNNs are fed into ML classifiers for comparative analysis. The proposed DBEL framework outperforms the existing techniques on the NIH malaria dataset that are enhanced using discrete wavelet transform to enrich feature space. The proposed DBEL framework achieved Accuracy (98.50%), Sensitivity (0.9920), F-score (0.9850), and AUC (0.997), which suggest it to be utilized for malaria parasite screening.
• Abstract（参考訳）: マラリア(英: Malaria)は、赤血細胞や世界中の何百万もの動物に感染する雌のアナフレア蚊によって注射される、致命的なプラスモジウム寄生虫である。 しかし、臨床実践における専門家の手動スクリーニングは困難であり、誤りを犯しがちである。 そこで,新たなBoosted-BR-STM畳み込みニューラルネットワーク(CNN)とアンサンブルML分類器を積み重ねた新しいDBELフレームワークを開発した。 提案したBoosted-BR-STMは、新しい拡張畳み込みブロックベースの分割変換マージ(STM)と特徴マップSqueezing-Boosting(SB)のアイデアに基づいている。 さらに、新しいSTMブロックは、マラリア原虫の同質性、異質性、およびパターンとのバウンダリを学習するために、地域的および境界的操作を使用する。 さらに,STMブロックの抽象的,メディア的,結論的レベルにおいて,Transfer Learningに基づく新しい特徴マップSBを用いて,寄生パターンの微妙な強度とテクスチャ変化を学習することで,多様なブーストチャネルを実現する。 提案したDBELフレームワークは、顕著で多様なブーストされたチャネルの積み重ねを含意し、ML分類器のアンサンブルに開発されたBoosted-BR-STMの識別特性を提供する。 提案フレームワークは,アンサンブル学習の識別能力と一般化を改善する。 さらに、開発したBoosted-BR-STMとカスタマイズされたCNNの深い特徴空間をML分類器に入力して比較分析を行う。 提案したDBELフレームワークは、離散ウェーブレット変換を用いて拡張されたNIHマラリアデータセットの既存の技術より優れており、特徴空間を豊かにする。 提案したDBELフレームワークは精度(98.50%)、感度(0.9920)、Fスコア(0.9850)、AUC(0.997)を達成した。

関連論文リスト

• RS-FME-SwinT: A Novel Feature Map Enhancement Framework Integrating Customized SwinT with Residual and Spatial CNN for Monkeypox Diagnosis [1.0523436939538895]
  Monkeypox(MPox)は世界的な重要な関心事として現れており、ケースは毎日着実に増えている。 ディープラーニングは自動化されたソリューションを提供するが、データセットにはデータ不足、テクスチャ、コントラスト、クラス間の多様性、その他の皮膚感染症との類似性が含まれる。 残留学習と空間爆発的畳み込みニューラルネットワーク(CNN)の学習能力と、カスタマイズされたスウィントランスフォーマー(RS-FME-SwinT)を統合してMPox診断を捉えるハイブリッドアプローチが提案されている。
  論文  参考訳（メタデータ） (2024-10-02T03:57:57Z)
• Diffusion Boosted Trees [56.46631445688882]
  拡散ブーストツリー(DBT)は、決定木によってパラメータ化される新しい拡散生成モデルであると見なすことができる。 DBT は弱を条件分布の強い勾配に結合し、それらの密度形式について明示的な仮定をしない。
  論文  参考訳（メタデータ） (2024-06-03T22:11:38Z)
• A Novel Feature Map Enhancement Technique Integrating Residual CNN and Transformer for Alzheimer Diseases Diagnosis [1.2432046687586285]
  アルツハイマー病(AD)は認知機能低下と異常な脳タンパクの蓄積を伴い、効果的な治療のために時間的診断を必要とする。 ディープラーニングの進歩を活かしたCADシステムはAD検出に成功しているが、計算精度とデータセットの微妙なコントラスト、構造、テクスチャの変化を呈している。 このアプローチは、新しいCNN Meet Transformer(HSCMT)、カスタマイズされた残留学習CNN、ADの多様な形態、コントラスト、テクスチャのバリエーションを学ぶための新しい特徴マップ拡張(FME)戦略の3つの異なる要素を統合する。
  論文  参考訳（メタデータ） (2024-03-30T10:17:13Z)
• EKGNet: A 10.96{\mu}W Fully Analog Neural Network for Intra-Patient Arrhythmia Classification [79.7946379395238]
  心電図不整脈分類におけるアナログ計算と深層学習を組み合わせた統合的アプローチを提案する。 本稿では,低消費電力で高精度にアーカイブするハードウェア効率と完全アナログ不整脈分類アーキテクチャであるEKGNetを提案する。
  論文  参考訳（メタデータ） (2023-10-24T02:37:49Z)
• Evaluation of the potential of Near Infrared Hyperspectral Imaging for monitoring the invasive brown marmorated stink bug [53.682955739083056]
  BMSB(Halyomorpha halys)は、数種の作物を害する世界的重要性の害虫である。 本研究は、BMSB検体を検出する技術として、NIR-HSI(Near Infrared Hyperspectral Imaging)を実験室レベルで予備評価する。
  論文  参考訳（メタデータ） (2023-01-19T11:37:20Z)
• Boundary Guided Semantic Learning for Real-time COVID-19 Lung Infection Segmentation System [69.40329819373954]
  新型コロナウイルス(COVID-19)は、世界中の医療システムに悪影響を及ぼし続けている。 現段階では、新型コロナウイルスの診断と治療には、CT画像から肺感染症領域を自動的に分離することが不可欠である。 本稿では,境界案内型セマンティックラーニングネットワーク(BSNet)を提案する。
  論文  参考訳（メタデータ） (2022-09-07T05:01:38Z)
• Identification of Autism spectrum disorder based on a novel feature selection method and Variational Autoencoder [7.0876609220947655]
  安静時機能的磁気共鳴画像(rs-fMRI)のような非侵襲的脳イメージングは、自閉症スペクトラム障害(ASD)の早期診断に有望な解決策である 本稿では rs-fMRI に基づく ASD 診断を支援するための分類フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-04-07T08:50:48Z)
• A Novel Self-Learning Framework for Bladder Cancer Grading Using Histopathological Images [1.244681179922733]
  組織像から膀胱癌を診断するための自己学習の枠組みについて検討した。 組織学的パッチを病のさまざまなレベルに分類できる新しいDeep Convolutional Embedded Attention Clustering (DCEAC)を提案する。
  論文  参考訳（メタデータ） (2021-06-25T11:04:04Z)
• DS-UI: Dual-Supervised Mixture of Gaussian Mixture Models for Uncertainty Inference [52.899219617256655]
  本稿では、ディープニューラルネットワーク(DNN)に基づく画像認識において、ベイズ推定に基づく不確実性推論(UI)を改善するための二重教師付き不確実性推論(DS-UI)フレームワークを提案する。 DS-UIでは、最後の完全連結(FC)層とガウス混合モデル(MoGMM)を組み合わせ、MoGMM-FC層を得る。 実験の結果,DS-UIは誤分類検出において最先端のUI手法よりも優れていた。
  論文  参考訳（メタデータ） (2020-11-17T12:35:02Z)
• Rectified Meta-Learning from Noisy Labels for Robust Image-based Plant Disease Diagnosis [64.82680813427054]
  植物病は食料安全保障と作物生産に対する主要な脅威の1つである。 1つの一般的なアプローチは、葉画像分類タスクとしてこの問題を変換し、強力な畳み込みニューラルネットワーク(CNN)によって対処できる。 本稿では,正規化メタ学習モジュールを共通CNNパラダイムに組み込んだ新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-17T09:51:30Z)

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。