論文の概要: A survey on automated detection and classification of acute leukemia and
WBCs in microscopic blood cells
- arxiv url: http://arxiv.org/abs/2303.03916v2
- Date: Wed, 8 Mar 2023 19:56:08 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-10 11:33:04.727351
- Title: A survey on automated detection and classification of acute leukemia and
WBCs in microscopic blood cells
- Title(参考訳): 微小血液細胞における急性白血病とWBCの自動検出と分類に関する研究
- Authors: Mohammad Zolfaghari and Hedieh Sajedi
- Abstract要約: 白血球 (Leukemia) は、白血球や白血球が骨髄や血液中に拡散する異常な疾患である。
従来の機械学習とディープラーニング技術は、医療画像の診断と分類の精度とスピードを高めるための実践的なロードマップである。
本稿では, 急性白血病およびWBCの検出と分類に関する包括的解析を行った。
- 参考スコア(独自算出の注目度): 6.117084972237769
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Leukemia (blood cancer) is an unusual spread of White Blood Cells or
Leukocytes (WBCs) in the bone marrow and blood. Pathologists can diagnose
leukemia by looking at a person's blood sample under a microscope. They
identify and categorize leukemia by counting various blood cells and
morphological features. This technique is time-consuming for the prediction of
leukemia. The pathologist's professional skills and experiences may be
affecting this procedure, too. In computer vision, traditional machine learning
and deep learning techniques are practical roadmaps that increase the accuracy
and speed in diagnosing and classifying medical images such as microscopic
blood cells. This paper provides a comprehensive analysis of the detection and
classification of acute leukemia and WBCs in the microscopic blood cells.
First, we have divided the previous works into six categories based on the
output of the models. Then, we describe various steps of detection and
classification of acute leukemia and WBCs, including Data Augmentation,
Preprocessing, Segmentation, Feature Extraction, Feature Selection (Reduction),
Classification, and focus on classification step in the methods. Finally, we
divide automated detection and classification of acute leukemia and WBCs into
three categories, including traditional, Deep Neural Network (DNN), and mixture
(traditional and DNN) methods based on the type of classifier in the
classification step and analyze them. The results of this study show that in
the diagnosis and classification of acute leukemia and WBCs, the Support Vector
Machine (SVM) classifier in traditional machine learning models and
Convolutional Neural Network (CNN) classifier in deep learning models have
widely employed. The performance metrics of the models that use these
classifiers compared to the others model are higher.
- Abstract(参考訳): 白血球 (Leukemia) は、白血球や白血球が骨髄や血液中に拡散する異常な疾患である。
病理学者は、顕微鏡で人の血液サンプルを見て白血病を診断することができる。
様々な血液細胞や形態学的特徴を数えることで白血病を同定し分類する。
この技術は白血病の予測に時間がかかる。
病理学者の専門的スキルや経験も、この手順に影響を与えているかもしれない。
コンピュータビジョンにおいて、従来の機械学習とディープラーニング技術は、顕微鏡的な血液細胞などの医療画像の診断と分類の精度とスピードを高めるための実用的なロードマップである。
本稿では、顕微鏡的血球中の急性白血病およびwbcsの検出と分類の包括的解析を行う。
まず,先行研究をモデルの出力に基づいて6つのカテゴリに分けた。
次に, 急性白血病とWBCの診断・分類の様々なステップについて述べる。その中には, データ拡張, プリプロセッシング, セグメンテーション, 特徴抽出, 特徴抽出(再帰), 分類, 方法の分類ステップに焦点を当てる。
最後に,急性白血病とWBCの自動検出と分類を,分類段階における分類のタイプに基づいて,従来のディープニューラルネットワーク(DNN)と混合(従来のDNN)の3つのカテゴリに分け,解析する。
本研究は,急性白血病とWBCの診断と分類において,従来の機械学習モデルにおけるサポートベクトルマシン(SVM)分類器と,ディープラーニングモデルにおける畳み込みニューラルネットワーク(CNN)分類器が広く用いられていることを示す。
これらの分類器を使用するモデルの性能指標は他のモデルと比較すると高い。
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) - MMIL: A novel algorithm for disease associated cell type discovery [58.044870442206914]
単一細胞データセットは、しばしば個々の細胞ラベルを欠いているため、病気に関連する細胞を特定することは困難である。
セルレベルの分類器の訓練と校正を可能にする予測手法であるMixture Modeling for Multiple Learning Instance (MMIL)を導入する。
論文 参考訳(メタデータ) (2024-06-12T15:22:56Z) - Neural Cellular Automata for Lightweight, Robust and Explainable Classification of White Blood Cell Images [40.347953893940044]
ニューラルセルオートマトン(NCA)を用いた白血球分類の新しいアプローチを提案する。
NCAに基づく手法はパラメータの面で著しく小さく,ドメインシフトに対する堅牢性を示す。
その結果,NAAは画像分類に利用でき,従来の手法の課題に対処できることがわかった。
論文 参考訳(メタデータ) (2024-04-08T14:59:53Z) - A Continual Learning Approach for Cross-Domain White Blood Cell
Classification [36.482007703764154]
白血球分類におけるクラスインクリメンタルおよびドメインインクリメンタルシナリオに対するリハーサルに基づく連続学習手法を提案する。
従来のタスクから代表サンプルを選択するために,モデルの予測に基づいてセット選択を用いる。
色,解像度,クラス組成が異なる3つの白血球分類データセットについて,提案手法を徹底的に評価した。
論文 参考訳(メタデータ) (2023-08-24T09:38:54Z) - Classification of White Blood Cells Using Machine and Deep Learning
Models: A Systematic Review [8.452349885923507]
機械学習(ML)とディープラーニング(DL)モデルは、医療画像の分析を大幅に改善するために採用されている。
モデル予測と分類は、様々ながんや腫瘍の診断を支援する。
本総説では,白細胞分類のための医用画像解析の領域内で適用された最新の技術について,詳細な分析を行った。
論文 参考訳(メタデータ) (2023-08-11T06:32:25Z) - Pixel-Level Explanation of Multiple Instance Learning Models in
Biomedical Single Cell Images [52.527733226555206]
複数のインスタンス学習モデルを説明するための4つの属性法について検討する。
急性骨髄性白血病の2つのデータセットと100万以上の単細胞画像について検討した。
我々は、属性マップと医療専門家の注釈を比較し、モデルの意思決定が人間の基準とどのように異なるかを確認する。
論文 参考訳(メタデータ) (2023-03-15T14:00:11Z) - Classification of White Blood Cell Leukemia with Low Number of
Interpretable and Explainable Features [0.0]
白血球(WBC)白血病は画像ベース分類によって検出される。
畳み込みニューラルネットワークは、細胞のイメージを悪性または正常に分類するために必要な特徴を学ぶために使用される。
このタイプのモデルは、多数のパラメータを学習し、解釈と説明が困難である。
XAIモデルは、説明可能な機能と解釈可能な機能のみを使用し、4.38%以上の性能で他のアプローチと高い競争力を持つ。
論文 参考訳(メタデータ) (2022-01-28T00:08:56Z) - 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) - Multi-Scale Input Strategies for Medulloblastoma Tumor Classification
using Deep Transfer Learning [59.30734371401316]
乳腺芽腫は小児で最も多い悪性脳腫瘍である。
CNNはMBサブタイプ分類に有望な結果を示した。
タイルサイズと入力戦略の影響について検討した。
論文 参考訳(メタデータ) (2021-09-14T09:42:37Z) - 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) - Spectral-Spatial Recurrent-Convolutional Networks for In-Vivo
Hyperspectral Tumor Type Classification [49.32653090178743]
ハイパースペクトル画像とディープラーニングを用いたin-vivo腫瘍型分類の可能性を示した。
我々の最良のモデルは76.3%のAUCを達成し、従来の学習手法とディープラーニング手法を著しく上回っている。
論文 参考訳(メタデータ) (2020-07-02T12:00:53Z)
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。