論文の概要: Classification of White Blood Cells Using Machine and Deep Learning
Models: A Systematic Review
- arxiv url: http://arxiv.org/abs/2308.06296v2
- Date: Mon, 21 Aug 2023 09:35:24 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-22 20:28:11.861776
- Title: Classification of White Blood Cells Using Machine and Deep Learning
Models: A Systematic Review
- Title(参考訳): 機械学習モデルと深層学習モデルを用いた白血球の分類
- Authors: Rabia Asghar, Sanjay Kumar, Paul Hynds, 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、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。
- 参考スコア(独自算出の注目度): 8.452349885923507
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Machine learning (ML) and deep learning (DL) models have been employed to
significantly improve analyses of medical imagery, with these approaches used
to enhance the accuracy of prediction and classification. Model predictions and
classifications assist diagnoses of various cancers and tumors. This review
presents an in-depth analysis of modern techniques applied within the domain of
medical image analysis for white blood cell classification. The methodologies
that use blood smear images, magnetic resonance imaging (MRI), X-rays, and
similar medical imaging domains are identified and discussed, with a detailed
analysis of ML/DL techniques applied to the classification of white blood cells
(WBCs) representing the primary focus of the review. The data utilized in this
research has been extracted from a collection of 136 primary papers that were
published between the years 2006 and 2023. The most widely used techniques and
best-performing white blood cell classification methods are identified. While
the use of ML and DL for white blood cell classification has concurrently
increased and improved in recent year, significant challenges remain - 1)
Availability of appropriate datasets remain the primary challenge, and may be
resolved using data augmentation techniques. 2) Medical training of researchers
is recommended to improve current understanding of white blood cell structure
and subsequent selection of appropriate classification models. 3) Advanced DL
networks including Generative Adversarial Networks, R-CNN, Fast R-CNN, and
faster R-CNN will likely be increasingly employed to supplement or replace
current 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、予測と分類の精度を高めるために、医療画像の分析を大幅に改善するために使われてきた。
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, 白血球分類の医用画像解析領域に応用される最新の技術について詳細に分析する。
血液スミア画像、MRI(MRI)、X線、および類似の医用画像領域を使用する手法を同定し、レビューの主焦点となる白血球(WBC)の分類に応用したML/DL技術について詳細に分析した。
この研究で活用されたデータは、2006年から2023年の間に出版された136の論文から抽出された。
最も広く使われている技術と最も優れた白血球分類法が同定される。
白血球分類におけるmlとdlの利用は,近年増加・改善が進んでいるが,1) 適切なデータセットの可用性が依然として大きな課題であり,データ拡張技術によって解決される可能性がある。
2) 白血球構造の現在の理解と適切な分類モデルの選択を改善するため, 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,そして高速なR-CNNを含む先進的なDLネットワークは,現在の技術の補充や置き換えのためにますます採用されていくだろう。
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。