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
- Neural Cellular Automata for Lightweight, Robust and Explainable Classification of White Blood Cell Images [40.347953893940044]
白血球分類のためのニューラルセルオートマトン(NCA)を用いた新しいアプローチを提案する。
NCAに基づく手法は,パラメータの面ではかなり小さく,ドメインシフトを示す。
その結果,NAAは画像分類に利用できるだけでなく,従来の手法の課題にも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) - Cyto R-CNN and CytoNuke Dataset: Towards reliable whole-cell
segmentation in bright-field histological images [44.83069198478997]
我々は,セル全体を鮮視野画像に正確に分割できるネットワークアーキテクチャCyto R-CNNを提案する。
また,頭頸部扁平上皮癌細胞に対する数千の手動アノテーションからなる新しいデータセットCytoNukeも提示した。
論文 参考訳(メタデータ) (2024-01-28T12:22:34Z) - 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) - Imbalanced Domain Generalization for Robust Single Cell Classification
in Hematological Cytomorphology [3.7007225479462402]
我々は、ドメイン間データの不均衡とドメインシフトに対処して、WBC分類のための堅牢なCNNを訓練する。
提案手法は,既存手法と比較してF1マクロスコアが最適である。
論文 参考訳(メタデータ) (2023-03-14T10:20:31Z) - 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) - 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) - Attention based Multiple Instance Learning for Classification of Blood
Cell Disorders [38.086308180994976]
血液細胞障害患者の血液サンプルを分類するために,注意に基づく多症例学習法を提案する。
各細胞から抽出された特徴により、患者サンプルを4つの血液細胞障害のうち1つに分類する。
注意機構は、各セルの全体的な分類への貢献度を測定し、ネットワークの分類精度と医療専門家に対する解釈可能性を大幅に改善する。
論文 参考訳(メタデータ) (2020-07-22T19:29:40Z)
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。