論文の概要: BloodCell-Net: A lightweight convolutional neural network for the classification of all microscopic blood cell images of the human body

• arxiv url: http://arxiv.org/abs/2405.14875v1
• Date: Mon, 1 Apr 2024 20:38:58 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-01 08:39:42.470281
• Title: BloodCell-Net: A lightweight convolutional neural network for the classification of all microscopic blood cell images of the human body
• Title（参考訳）: BloodCell-Net: 人体の全顕微鏡的血液細胞像の分類のための軽量畳み込みニューラルネットワーク
• Authors: Sohag Kumar Mondal, Md. Simul Hasan Talukder, Mohammad Aljaidi, Rejwan Bin Sulaiman, Md Mohiuddin Sarker Tushar, Amjad A Alsuwaylimi,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Blood cell classification and counting are vital for the diagnosis of various blood-related diseases, such as anemia, leukemia, and thrombocytopenia. The manual process of blood cell classification and counting is time-consuming, prone to errors, and labor-intensive. Therefore, we have proposed a DL based automated system for blood cell classification and counting from microscopic blood smear images. We classify total of nine types of blood cells, including Erythrocyte, Erythroblast, Neutrophil, Basophil, Eosinophil, Lymphocyte, Monocyte, Immature Granulocytes, and Platelet. Several preprocessing steps like image resizing, rescaling, contrast enhancement and augmentation are utilized. To segment the blood cells from the entire microscopic images, we employed the U-Net model. This segmentation technique aids in extracting the region of interest (ROI) by removing complex and noisy background elements. Both pixel-level metrics such as accuracy, precision, and sensitivity, and object-level evaluation metrics like Intersection over Union (IOU) and Dice coefficient are considered to comprehensively evaluate the performance of the U-Net model. The segmentation model achieved impressive performance metrics, including 98.23% accuracy, 98.40% precision, 98.25% sensitivity, 95.97% Intersection over Union (IOU), and 97.92% Dice coefficient. Subsequently, a watershed algorithm is applied to the segmented images to separate overlapped blood cells and extract individual cells. We have proposed a BloodCell-Net approach incorporated with custom light weight convolutional neural network (LWCNN) for classifying individual blood cells into nine types. Comprehensive evaluation of the classifier's performance is conducted using metrics including accuracy, precision, recall, and F1 score. The classifier achieved an average accuracy of 97.10%, precision of 97.19%, recall of 97.01%, and F1 score of 97.10%.
• Abstract（参考訳）: 血液の分類と測定は、貧血、白血病、血小板減少症などの様々な血液関連疾患の診断に不可欠である。 手動による血液細胞分類と数え上げのプロセスは、時間がかかり、エラーを起こしやすく、労働集約的である。 そこで本研究では,マイクロ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。 画像のリサイズ、再スケーリング、コントラスト強化、拡張など、いくつかの前処理ステップを利用する。 細胞を顕微鏡画像全体から分離するために,U-Netモデルを用いた。 このセグメンテーション技術は、複雑でノイズの多い背景要素を取り除き、関心領域(ROI)を抽出するのに役立つ。 精度、精度、感度などの画素レベルの指標と、IOU(Intersection over Union)やDice係数のようなオブジェクトレベルの評価指標の両方が、U-Netモデルの性能を包括的に評価すると考えられる。 セグメンテーションモデルは98.23%の精度、98.40%の精度、98.25%の感度、95.97%のインターセクション・オーバー・ユニオン(IOU)、97.92%のディス係数を含む優れたパフォーマンス指標を達成した。 その後、分割された画像に流域アルゴリズムを適用して、重複した血液細胞を分離し、個々の細胞を抽出する。 我々は、カスタム軽量畳み込みニューラルネットワーク(LWCNN)を組み込んだBloodCell-Netアプローチを提案し、個々の血液細胞を9つのタイプに分類した。 分類器の性能の総合評価は、精度、精度、リコール、F1スコアなどの指標を用いて行われる。 分類器の平均精度は97.10%、精度は97.19%、リコールは97.01%、F1スコアは97.10%だった。

関連論文リスト

• 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)
• Deep Generative Classification of Blood Cell Morphology [7.611536156732807]
  細胞形態を効果的にモデル化する拡散型分類器であるCytoDiffusionを紹介する。 本手法は異常検出における最先端の識別モデルよりも優れている。 直接解釈可能な逆ファクト・ヒートマップの生成によりモデル説明可能性を向上させる。
  論文  参考訳（メタデータ） (2024-08-16T19:17:02Z)
• TotalSegmentator MRI: Sequence-Independent Segmentation of 59 Anatomical Structures in MR images [62.53931644063323]
  本研究では,TotalSegmentatorをMR画像に拡張した。 このデータセットに基づいてnnU-Netセグメンテーションアルゴリズムを訓練し、類似度係数(Dice)を計算し、モデルの性能を評価した。 このモデルは、他の2つの公開セグメンテーションモデル(Dice score 0.824 vs 0.762; p0.001 and 0.762 versus 0.542; p)を大きく上回った。
  論文  参考訳（メタデータ） (2024-05-29T20:15:54Z)
• Classification of All Blood Cell Images using ML and DL Models [7.737213476933511]
  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。
  論文  参考訳（メタデータ） (2023-08-11T07:57:12Z)
• Corneal endothelium assessment in specular microscopy images with Fuchs' dystrophy via deep regression of signed distance maps [48.498376125522114]
  本稿では,UNetをベースとしたセグメンテーション手法を提案する。 これは、フックスのジストロフィーの全度にわたって、信頼できるCE形態計測と腸骨同定を実現する。
  論文  参考訳（メタデータ） (2022-10-13T15:34:20Z)
• TotalSegmentator: robust segmentation of 104 anatomical structures in CT images [48.50994220135258]
  身体CT画像の深層学習セグメント化モデルを提案する。 このモデルは、臓器の容積、疾患の特徴、外科的または放射線療法計画などのユースケースに関連する104の解剖学的構造を区分することができる。
  論文  参考訳（メタデータ） (2022-08-11T15:16:40Z)
• 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)
• 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)
• White blood cell classification [3.386401892906348]
  非均一な色と不均一な照明で血液スミア画像を扱う適応しきい値セグメンテーション法を提案する。 分類・回帰木(CART)に基づく特徴選択アルゴリズムを設計する。 提案手法は99.76%の分類精度を達成し,その有効性をよく示す。
  論文  参考訳（メタデータ） (2020-08-17T09:48:12Z)

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。