論文の概要: Classification of Blood Cells Using Deep Learning Models

• arxiv url: http://arxiv.org/abs/2308.06300v1
• Date: Fri, 11 Aug 2023 07:57:12 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-15 18:15:33.315036
• Title: Classification of Blood Cells Using Deep Learning Models
• Title（参考訳）: 深層学習モデルを用いた血液細胞の分類
• Authors: Rabia Asghar, Sanjay Kumar, Abeera Mahfooz
• Abstract要約: 血液細胞分類は、がん、骨髄損傷、良性腫瘍、その成長などを含む疾患の同定に役立つ。 本研究では,VGG16,VGG19,ResNet-50,ResNet-101,ResNet-152,InceptionV3 MobileNetV2,DenseNet-201などのCNN事前学習モデルに適用する。 PBCデータセットで99.91%の精度を実現するために、新しいCNNベースのフレームワークが提示された。
• 参考スコア（独自算出の注目度）: 9.49959422062959
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Human blood mainly comprises plasma, red blood cells, white blood cells, and platelets. The blood cells provide the body's cells oxygen to nourish them, shield them from infections, boost immunity, and aid in clotting. Human health is reflected in blood cells. The chances that a human being can be diagnosed with a disease are significantly influenced by their blood cell type and count. Therefore, blood cell classification is crucial because it helps identify diseases, including cancer, damaged bone marrow, benign tumors, and their growth. This classification allows hematologists to distinguish between different blood cell fragments so that the cause of diseases can be identified. Convolution neural networks are a deep learning technique that classifies images of human blood cells (RBCs, WBCs, and platelets) into their subtypes. For this study, transfer learning is used to apply different CNN pre-trained models, including VGG16, VGG19, ResNet-50, ResNet-101, ResNet-152, InceptionV3 MobileNetV2 and DenseNet-201 to the PBC dataset's normal DIB. The overall accuracy achieved with these models lies between 91.375-94.72%. A novel CNN-based framework has been presented to improve accuracy, and we were able to attain an accuracy of 99.91% on the PBC dataset.
• Abstract（参考訳）: ヒトの血液は主に血漿、赤血球、白血球、血小板からなる。 血液細胞は体内の細胞に酸素を与え、栄養を与え、感染から保護し、免疫を増強し、凝固を助ける。 人間の健康は血液細胞に反映される。 ヒトが疾患と診断される可能性は、その血液細胞の種類と数によって著しく影響を受ける。 そのため、がん、骨髄損傷、良性腫瘍、成長などの疾患の同定を助けるため、血液細胞分類が重要である。 この分類により、血液学者は異なる血液細胞の断片を区別することができ、疾患の原因を特定することができる。 畳み込みニューラルネットワークは、人間の血液細胞(RBC、WBC、血小板)の画像をサブタイプに分類するディープラーニング技術である。 本研究では,VGG16,VGG19,ResNet-50,ResNet-101,ResNet-152,InceptionV3 MobileNetV2,DenseNet-201などのCNN事前学習モデルを用いてPBCデータセットの通常のDIBに適用する。 これらのモデルで得られた全体的な精度は91.375-94.72%である。 新しいcnnベースのフレームワークが提案されており、pbcデータセット上で99.91%の精度を達成できた。

関連論文リスト

• 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)
• Automatic Classification of White Blood Cell Images using Convolutional Neural Network [0.0]
  ヒト免疫系には、細菌感染症、エイズ、がん、脾臓など多くの疾患の指標となる白血球(WBC)が含まれる。 伝統的に、実験室では、病理学者や血液学者が顕微鏡で血液細胞を分析し、手動で分類する。 本稿ではまず,ResNet-50,InceptionV3,VGG16,MobileNetV2などのCNNプレトレインモデルを用いて,白血球の自動分類を行った。 これらのアーキテクチャに触発されて、4種類の白血球を精度良く自動的に分類する枠組みが提案されている。
  論文  参考訳（メタデータ） (2024-09-19T16:39:46Z)
• 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)
• BloodCell-Net: A lightweight convolutional neural network for the classification of all microscopic blood cell images of the human body [0.0]
  血液の分類と測定は、様々な血液関連疾患の診断に不可欠である。 我々は, 血液スミア画像から血液細胞分類と計数を行うためのDLベースの自動システムを提案する。 赤血球,赤血球,好中球,好中球,好酸球,好酸球,リンパ球,単球,未成熟顆粒球,血小板の計9種類の血液細胞を同定した。
  論文  参考訳（メタデータ） (2024-04-01T20:38:58Z)
• Pathologist-Like Explanations Unveiled: an Explainable Deep Learning System for White Blood Cell Classification [1.516937009186805]
  HemaXは5つの属性を使って、病理学者のような説明を生成する、説明可能なディープニューラルネットワークベースのモデルである。 HemaXは、平均的な分類精度が81.08%、ジャカード指数が89.16%で、驚くべき結果が得られる。
  論文  参考訳（メタデータ） (2023-10-20T04:59:20Z)
• Tertiary Lymphoid Structures Generation through Graph-based Diffusion [54.37503714313661]
  本研究では,最先端のグラフベース拡散モデルを用いて生物学的に意味のある細胞グラフを生成する。 本研究では, グラフ拡散モデルを用いて, 3次リンパ構造(TLS)の分布を正確に学習できることを示す。
  論文  参考訳（メタデータ） (2023-10-10T14:37:17Z)
• 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)
• Wide & Deep neural network model for patch aggregation in CNN-based prostate cancer detection systems [51.19354417900591]
  前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。 自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。 パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
  論文  参考訳（メタデータ） (2021-05-20T18:13:58Z)
• Acute Lymphoblastic Leukemia Detection from Microscopic Images Using Weighted Ensemble of Convolutional Neural Networks [4.095759108304108]
  本稿では,深層畳み込みニューラルネットワーク(cnns)を用いた顕微鏡細胞画像からの全検出タスクを自動化した。 ネットワークのより優れた一般化を達成するために、様々なデータ拡張と前処理が組み込まれている。 提案する重み付きアンサンブルモデルでは, アンサンブル候補のカッパ値を重みとして, 重み付きF1スコア88.6 %, バランス付き精度86.2 %, 予備試験セットのAUC0.941を出力した。
  論文  参考訳（メタデータ） (2021-05-09T18:58:48Z)
• Red Blood Cell Segmentation with Overlapping Cell Separation and Classification on Imbalanced Dataset [1.7219362335740878]
  重なり合う細胞は、分類する前に複数の単一のRBCに分離しなければならない誤った予測結果を引き起こすことがある。 深層学習で複数のクラスを分類するためには、正常なサンプルが稀な疾患のサンプルよりも常に高いため、医療画像では不均衡の問題が一般的である。 本稿では,血液スミア画像から赤血球を分離・分類する新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-12-02T16:49:51Z)

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。