論文の概要: Automatic Classification of Blood Cell Images Using Convolutional Neural
Network
- arxiv url: http://arxiv.org/abs/2308.06300v2
- Date: Mon, 21 Aug 2023 10:08:11 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-22 20:28:42.544937
- Title: Automatic Classification of Blood Cell Images Using Convolutional Neural
Network
- Title(参考訳): 畳み込みニューラルネットワークを用いた血球画像の自動分類
- Authors: Rabia Asghar, Sanjay Kumar, Paul Hynds, Abeera Mahfooz
- Abstract要約: ヒトの血液は、主に血漿、赤血球、白血球、血小板から構成される。
栄養素を異なる臓器に輸送する上で重要な役割を担っている。
血液分析は、医師が個人の生理状態を評価するのに役立つ。
- 参考スコア(独自算出の注目度): 8.452349885923507
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Human blood primarily comprises plasma, red blood cells, white blood cells,
and platelets. It plays a vital role in transporting nutrients to different
organs, where it stores essential health-related data about the human body.
Blood cells are utilized to defend the body against diverse infections,
including fungi, viruses, and bacteria. Hence, blood analysis can help
physicians assess an individual's physiological condition. Blood cells have
been sub-classified into eight groups: Neutrophils, eosinophils, basophils,
lymphocytes, monocytes, immature granulocytes (promyelocytes, myelocytes, and
metamyelocytes), erythroblasts, and platelets or thrombocytes on the basis of
their nucleus, shape, and cytoplasm. Traditionally, pathologists and
hematologists in laboratories have examined these blood cells using a
microscope before manually classifying them. The manual approach is slower and
more prone to human error. Therefore, it is essential to automate this process.
In our paper, transfer learning with CNN pre-trained models. VGG16, VGG19,
ResNet-50, ResNet-101, ResNet-152, InceptionV3, MobileNetV2, and DenseNet-20
applied to the PBC dataset's normal DIB. The overall accuracy achieved with
these models lies between 91.375 and 94.72%. Hence, inspired by these
pre-trained architectures, a model has been proposed to automatically classify
the ten types of blood cells with increased accuracy. A novel CNN-based
framework has been presented to improve accuracy. The proposed CNN model has
been tested on the PBC dataset normal DIB. The outcomes of the experiments
demonstrate that our CNN-based framework designed for blood cell classification
attains an accuracy of 99.91% on the PBC dataset. Our proposed convolutional
neural network model performs competitively when compared to earlier results
reported in the literature.
- Abstract(参考訳): ヒトの血液は主に血漿、赤血球、白血球、血小板から構成される。
栄養素を異なる臓器に輸送する上で重要な役割を担っており、人体に関する健康関連データを保存している。
血液細胞は、菌類、ウイルス、細菌など様々な感染症から体を守るために利用される。
したがって、血液分析は医師が個人の生理状態を評価するのに役立つ。
血液細胞は、好中球、好酸球、好塩基球、リンパ球、単球、未熟な顆粒球(骨髄細胞、骨髄細胞、メタ骨髄細胞)、赤血球、血小板または血小板の8つのグループに分類されている。
伝統的に、実験室の病理学者や血液学者は、手動で分類する前に顕微鏡を用いてこれらの血液細胞を調べてきた。
手動のアプローチは遅くなり、ヒューマンエラーを起こしやすい。
そのため、このプロセスを自動化することが不可欠である。
本稿では,CNN事前学習モデルを用いたトランスファーラーニングについて述べる。
VGG16、VGG19、ResNet-50、ResNet-101、ResNet-152、InceptionV3、MobileNetV2、DenseNet-20はPBCデータセットの通常のDIBに適用された。
これらのモデルで得られた全体的な精度は91.375から94.72%である。
したがって、これらの事前訓練されたアーキテクチャにインスパイアされたモデルが提案され、精度を高めて10種類の血液細胞を自動分類する。
CNNベースの新しいフレームワークが提示され、精度が向上した。
提案したCNNモデルはPBCデータセット正規DIB上でテストされている。
実験の結果、血液細胞分類用に設計されたCNNベースのフレームワークがPBCデータセットで99.91%の精度を達成できた。
提案する畳み込みニューラルネットワークモデルは,文献で報告された結果と比較して,競合的に動作する。
関連論文リスト
- 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) - Sickle Cell Disease Severity Prediction from Percoll Gradient Images
using Graph Convolutional Networks [38.27767684024691]
シックル細胞病(Sickle cell disease, SCD)は、赤血球の早期破壊を引き起こす重篤な遺伝性ヘモグロビン疾患である。
提案手法は,SCD重大度予測の難問に対する最初の計算手法である。
論文 参考訳(メタデータ) (2021-09-11T21:09:50Z) - 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。