論文の概要: Segmentation of the veterinary cytological images for fast neoplastic tumors diagnosis

• arxiv url: http://arxiv.org/abs/2305.04332v1
• Date: Sun, 7 May 2023 17:02:58 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-09 16:22:49.406712
• Title: Segmentation of the veterinary cytological images for fast neoplastic tumors diagnosis
• Title（参考訳）: 高速腫瘍診断のための獣医細胞像の分節化
• Authors: Jakub Grzeszczyk, Micha{\l} Karwatowski, Daria {\L}ukasik, Maciej Wielgosz, Pawe{\l} Russek, Szymon Mazurek, Jakub Caputa, Rafa{\l} Fr\k{a}czek, Anna \'Smiech, Ernest Jamro, Sebastian Koryciak, Agnieszka D\k{a}browska-Boruch, Marcin Pietro\'n, Kazimierz Wiatr
• Abstract要約: 本稿では,獣医学における細胞画像のインスタンス分割を行う機械学習システムについて述べる。 システムで使用されるディープラーニングモデルは、平均精度とリコールメトリクスのスコアが高い。
• 参考スコア（独自算出の注目度）: 0.14519981310202407
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper shows the machine learning system which performs instance segmentation of cytological images in veterinary medicine. Eleven cell types were used directly and indirectly in the experiments, including damaged and unrecognized categories. The deep learning models employed in the system achieve a high score of average precision and recall metrics, i.e. 0.94 and 0.8 respectively, for the selected three types of tumors. This variety of label types allowed us to draw a meaningful conclusion that there are relatively few mistakes for tumor cell types. Additionally, the model learned tumor cell features well enough to avoid misclassification mistakes of one tumor type into another. The experiments also revealed that the quality of the results improves with the dataset size (excluding the damaged cells). It is worth noting that all the experiments were done using a custom dedicated dataset provided by the cooperating vet doctors.
• Abstract（参考訳）: 本稿では,獣医学における細胞画像のインスタンス分割を行う機械学習システムについて述べる。 11種類の細胞が直接および間接的に、損傷、未認識のカテゴリーを含む実験で使用された。 このシステムで使用される深層学習モデルは, 選択した3種類の腫瘍に対して, 平均精度とリコール基準, それぞれ0.94と0.8のスコアを得る。 このようなラベルタイプは腫瘍細胞タイプに対する誤りが比較的少ないという有意義な結論を導いた。 さらに、このモデルは腫瘍細胞の特徴を十分に学習し、ある腫瘍の型を別の型に誤分類しないようにした。 実験では、結果の品質がデータセットのサイズ(損傷した細胞を除く)によって改善されることも明らかにした。 すべての実験はvet医師の協力によって提供される独自のデータセットを使用して行われたことに注意が必要だ。

関連論文リスト

• Advancing Efficient Brain Tumor Multi-Class Classification -- New Insights from the Vision Mamba Model in Transfer Learning [18.20962008262757]
  本研究は,脳腫瘍分類における事前学習モデルの応用について検討した。 我々は,脳腫瘍のマルチクラス分類にいくつかの主流転写学習モデルを微調整し,応用した。 特に,新しいネットワークアーキテクチャであるVision Mamba(Vim)を導入し,脳腫瘍の分類に初めて適用した。
  論文  参考訳（メタデータ） (2024-10-29T09:08:57Z)
• Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• Examining the behaviour of state-of-the-art convolutional neural networks for brain tumor detection with and without transfer learning [0.0]
  本研究における2種類のデータセットについて,最先端CNNモデルを用いて検討した。 EfficientNet-B5アーキテクチャは、バイナリ分類データセットのすべての最先端モデルを99.75%と98.61%の精度で上回る。
  論文  参考訳（メタデータ） (2022-06-02T18:49:28Z)
• 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)
• Triplet Contrastive Learning for Brain Tumor Classification [99.07846518148494]
  本稿では,脳腫瘍の深層埋め込みを直接学習する手法を提案する。 本手法は,27種類の腫瘍群からなる広範囲な脳腫瘍データセットを用いて評価し,そのうち13種は稀である。
  論文  参考訳（メタデータ） (2021-08-08T11:26:34Z)
• Malignancy Prediction and Lesion Identification from Clinical Dermatological Images [65.1629311281062]
  臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。 まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
  論文  参考訳（メタデータ） (2021-04-02T20:52:05Z)
• A Multi-Scale Conditional Deep Model for Tumor Cell Ratio Counting [4.164451715899639]
  組織スライド全体の腫瘍細胞の比率を正確に把握する手法を提案する。 我々は、H&E染色組織断面の画像上で細胞を検出し分類するために訓練された、完全な畳み込みニューラルネットワークモデルを使用する。 2つのモデルを組み合わせることで、それぞれ異なる倍率で作業することで、システムはセルレベルの詳細と周囲のコンテキストの両方をキャプチャできることを示す。
  論文  参考訳（メタデータ） (2021-01-27T22:40:33Z)
• Multimodal brain tumor classification [4.984601297028256]
  本研究では,全スライド画像と磁気共鳴画像を組み合わせて腫瘍を分類する深層学習手法について検討する。 特に、私たちのソリューションは、スライド画像の分類全体のための強力で汎用的でモジュラーなアーキテクチャで構成されています。 2020年の計算精度医学の課題に先んじて実験が実施されている。
  論文  参考訳（メタデータ） (2020-09-03T11:41:50Z)
• 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。