Fugu-MT 論文翻訳(概要): A Nasal Cytology Dataset for Object Detection and Deep Learning

論文の概要: A Nasal Cytology Dataset for Object Detection and Deep Learning

arxiv url: http://arxiv.org/abs/2404.13745v1
Date: Sun, 21 Apr 2024 19:02:38 GMT
ステータス: 処理完了
システム内更新日: 2024-04-23 17:42:20.309194
Title: A Nasal Cytology Dataset for Object Detection and Deep Learning
Title（参考訳）: 物体検出と深層学習のための鼻内サイトロジーデータセット
Authors: Mauro Camporeale, Giovanni Dimauro, Matteo Gelardi, Giorgia Iacobellis, Mattia Sebastiano Ladisa, Sergio Latrofa, Nunzia Lomonte,
Abstract要約: NCD (Nasal Cytology dataset) というサイ細胞野画像の最初のデータセットを提示する。鼻粘膜に分布する細胞型の実際の分布は複製され、臨床患者のスライドから画像を集め、それぞれの細胞に手動で注釈を付ける。この研究は、鼻粘膜細胞の自動検出と分類を支援する新しい機械学習ベースのアプローチを提案することで、オープンな課題のいくつかに寄与する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Nasal Cytology is a new and efficient clinical technique to diagnose rhinitis and allergies that is not much widespread due to the time-consuming nature of cell counting; that is why AI-aided counting could be a turning point for the diffusion of this technique. In this article we present the first dataset of rhino-cytological field images: the NCD (Nasal Cytology Dataset), aimed to train and deploy Object Detection models to support physicians and biologists during clinical practice. The real distribution of the cytotypes, populating the nasal mucosa has been replicated, sampling images from slides of clinical patients, and manually annotating each cell found on them. The correspondent object detection task presents non'trivial issues associated with the strong class imbalancement, involving the rarest cell types. This work contributes to some of open challenges by presenting a novel machine learning-based approach to aid the automated detection and classification of nasal mucosa cells: the DETR and YOLO models shown good performance in detecting cells and classifying them correctly, revealing great potential to accelerate the work of rhinology experts.
Abstract（参考訳）: Nasal Cytology は鼻炎やアレルギーを診断するための新規で効率的な臨床手法であり、細胞カウントの時間的消費の性質からあまり広まっていない。本稿では,臨床実習中の医師や生物学者を支援するための対象検出モデルをトレーニングし,展開することを目的とした,サイ細胞野画像の最初のデータセットであるNCD(Nasal Cytology Dataset)について述べる。鼻粘膜に分布する細胞型の実際の分布は複製され、臨床患者のスライドから画像を集め、それぞれの細胞に手動で注釈を付ける。対応するオブジェクト検出タスクは、最も稀な細胞型を含む強いクラス不均衡に関連する非自明な問題を示す。この研究は、鼻粘膜細胞の自動検出と分類を支援する新しい機械学習ベースのアプローチを提示することで、いくつかのオープンな課題に寄与している。

関連論文リスト

HistoSmith: Single-Stage Histology Image-Label Generation via Conditional Latent Diffusion for Enhanced Cell Segmentation and Classification [0.19791587637442667]
本研究は, 画像ラベルペア生成のための新しい単一ステージアプローチを導入し, 組織学データセットを増強する。ラベル生成と画像生成を分離した拡散モデルを用いる最先端の手法とは異なり,本手法では遅延拡散モデルを用いる。このモデルは、細胞タイプ、量、組織タイプなどのユーザ定義パラメータを条件付けすることで、データ生成の調整を可能にする。
論文参考訳（メタデータ） (2025-02-12T19:51:41Z)
ActiveSSF: An Active-Learning-Guided Self-Supervised Framework for Long-Tailed Megakaryocyte Classification [3.6535793744942318]
本研究では,能動学習と自己教師付き事前学習を統合したActiveSSFフレームワークを提案する。臨床用巨核球データセットによる実験結果から,ActiveSSFは最先端の性能を発揮することが示された。さらなる研究を促進するため、コードとデータセットは将来的に一般公開される予定だ。
論文参考訳（メタデータ） (2025-02-12T08:24:36Z)
Improving Sickle Cell Disease Classification: A Fusion of Conventional Classifiers, Segmented Images, and Convolutional Neural Networks [0.31457219084519006]
本稿では, 従来の分類器, セグメント化画像, CNNを併用して, 病原細胞疾患の自動分類を行う手法を提案する。以上の結果から,SVMを用いたセグメント画像とCNN機能を用いることで96.80%の精度が得られた。
論文参考訳（メタデータ） (2024-12-23T20:42:15Z)
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)
Single-Cell Deep Clustering Method Assisted by Exogenous Gene Information: A Novel Approach to Identifying Cell Types [50.55583697209676]
我々は,細胞間のトポロジ的特徴を効率的に捉えるために,注目度の高いグラフオートエンコーダを開発した。クラスタリング過程において,両情報の集合を統合し,細胞と遺伝子の特徴を再構成し,識別的表現を生成する。本研究は、細胞の特徴と分布に関する知見を高め、疾患の早期診断と治療の基礎となる。
論文参考訳（メタデータ） (2023-11-28T09:14:55Z)
VOLTA: an Environment-Aware Contrastive Cell Representation Learning for Histopathology [0.3436781233454516]
病理組織像における細胞表現学習のための自己組織化フレームワーク(VOLTA)を提案する。我々は、世界中の複数の機関から収集されたデータに関する広範な実験にモデルを適用した。提案フレームワークの有効性を明らかにするため, 卵巣癌および子宮内膜癌にVOLTAを応用した。
論文参考訳（メタデータ） (2023-03-08T16:35:47Z)
LifeLonger: A Benchmark for Continual Disease Classification [59.13735398630546]
MedMNISTコレクションの連続的な疾患分類のためのベンチマークであるLifeLongerを紹介する。タスクとクラスでの病気の漸進的な学習は、モデルをスクラッチから再トレーニングすることなく、新しいサンプルを分類する問題に対処する。クロスドメインインクリメンタル学習は、これまで得られた知識を維持しながら、異なる機関から派生したデータセットを扱う問題に対処する。
論文参考訳（メタデータ） (2022-04-12T12:25:05Z)
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)
Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
論文参考訳（メタデータ） (2020-10-20T08:36:51Z)
Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文参考訳（メタデータ） (2020-09-02T02:50:30Z)
Multi-label Thoracic Disease Image Classification with Cross-Attention Networks [65.37531731899837]
胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
論文参考訳（メタデータ） (2020-07-21T14:37:00Z)

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。