Fugu-MT 論文翻訳(概要): A Review on Classification of White Blood Cells Using Machine Learning Models

論文の概要: A Review on Classification of White Blood Cells Using Machine Learning Models

arxiv url: http://arxiv.org/abs/2308.06296v1
Date: Fri, 11 Aug 2023 06:32:25 GMT
ステータス: 処理完了
システム内更新日: 2023-08-15 18:14:42.901818
Title: A Review on Classification of White Blood Cells Using Machine Learning Models
Title（参考訳）: 機械学習モデルを用いた白血球の分類に関する研究
Authors: Rabia Asghar, Sanjay Kumar, Arslan Shaukat
Abstract要約: 機械学習(ML)とディープラーニング(DL)モデルは、例外的な医用画像解析の改善に寄与する。本総説は,白細胞分類の医用画像解析分野に応用された最新の技術について,詳細な分析に焦点をあてたものである。
参考スコア（独自算出の注目度）: 9.49959422062959
License: http://creativecommons.org/publicdomain/zero/1.0/
Abstract: The machine learning (ML) and deep learning (DL) models contribute to exceptional medical image analysis improvement. The models enhance the prediction and improve the accuracy by prediction and classification. It helps the hematologist to diagnose the blood cancer and brain tumor based on calculations and facts. This review focuses on an in-depth analysis of modern techniques applied in the domain of medical image analysis of white blood cell classification. For this review, the methodologies are discussed that have used blood smear images, magnetic resonance imaging (MRI), X-rays, and similar medical imaging domains. The main impact of this review is to present a detailed analysis of machine learning techniques applied for the classification of white blood cells (WBCs). This analysis provides valuable insight, such as the most widely used techniques and best-performing white blood cell classification methods. It was found that in recent decades researchers have been using ML and DL for white blood cell classification, but there are still some challenges. 1) Availability of the dataset is the main challenge, and it could be resolved using data augmentation techniques. 2) Medical training of researchers is recommended to help them understand the structure of white blood cells and select appropriate classification models. 3) Advanced DL networks such as Generative Adversarial Networks, R-CNN, Fast R-CNN, and faster R-CNN can also be used in future techniques.
Abstract（参考訳）: 機械学習(ML)とディープラーニング(DL)モデルは、例外的な医用画像解析の改善に寄与する。モデルは予測を強化し、予測と分類による精度を向上させる。血液学者は、計算や事実に基づいて、血液がんと脳腫瘍の診断を支援する。本総説は, 白血球分類の医用画像解析の領域に応用される現代的手法の詳細な分析に焦点をあてたものである。本総説では, 血液スメア画像, 磁気共鳴画像 (mri) , x線, および類似の医用画像領域を用いた手法について検討した。このレビューの主な影響は、白血球(WBC)の分類に応用された機械学習技術の詳細な分析を行うことである。この分析は、最も広く使われている技術や最も優れた白血球分類法など、貴重な知見を提供する。過去数十年間、研究者は白血球の分類にMLとDLを使用してきたが、まだいくつかの課題がある。 1)データセットの可用性が主な課題であり、データ拡張技術を使って解決することができる。 2) 白血球の構造を理解し, 適切な分類モデルを選択するために, 研究者の医療訓練を推奨する。 3)ジェネレーティブ・アドバイサル・ネットワーク,R-CNN,Fast R-CNN,高速R-CNNといった先進的なDLネットワークも将来技術として利用できる。

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)
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)
A survey on automated detection and classification of acute leukemia and WBCs in microscopic blood cells [6.117084972237769]
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。
論文参考訳（メタデータ） (2023-03-07T14:26:08Z)
Multi-class versus One-class classifier in spontaneous speech analysis oriented to Alzheimer Disease diagnosis [58.720142291102135]
本研究の目的は,音声信号から抽出した新しいバイオマーカーを用いて自動解析を行うことにより,ADの早期診断と重症度評価の改善に寄与することである。外付け器とフラクタル次元の機能に関する情報を使用することで、システムの性能が向上する。
論文参考訳（メタデータ） (2022-03-21T09:57:20Z)
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)
Analysis of Vision-based Abnormal Red Blood Cell Classification [1.6050172226234583]
赤血球(RBC)の異常の同定は、貧血から肝疾患まで幅広い医学的疾患を診断する鍵となる。本稿では,機械学習の利点を利用したセル異常検出のキャパシティ向上と標準化を目的とした自動化プロセスを提案する。
論文参考訳（メタデータ） (2021-06-01T10:52:41Z)
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)
A Systematic Approach to Featurization for Cancer Drug Sensitivity Predictions with Deep Learning [49.86828302591469]
35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。 RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
論文参考訳（メタデータ） (2020-04-30T20:42:17Z)

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。