論文の概要: Heterogeneous virus classification using a functional deep learning model based on transmission electron microscopy images (Preprint)
- arxiv url: http://arxiv.org/abs/2405.15563v1
- Date: Fri, 24 May 2024 13:52:14 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-27 13:50:09.501670
- Title: Heterogeneous virus classification using a functional deep learning model based on transmission electron microscopy images (Preprint)
- Title（参考訳）: 透過電子顕微鏡画像に基づく機能的深層学習モデルを用いた不均一ウイルス分類(プレプリント)
- Authors: Niloy Sikder, Md. Al-Masrur Khan, Anupam Kumar Bairagi, Mehedi Masud, Jun Jiat Tiang, Abdullah-Al Nahid,
- Abstract要約: 透過電子顕微鏡(TEM)画像の解析は、インスタントウイルスの同定に非常に成功したことが証明されている。
本稿では,これらの画像中のウイルスの種類を正確に識別する深層学習に基づく分類モデルを提案する。
実験の結果、データセットに存在する14種類のウイルスを97.44%の分類精度とF1スコアで区別できることが示された。
- 参考スコア（独自算出の注目度）: 2.1346640951813165
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Viruses are submicroscopic agents that can infect all kinds of lifeforms and use their hosts' living cells to replicate themselves. Despite having some of the simplest genetic structures among all living beings, viruses are highly adaptable, resilient, and given the right conditions, are capable of causing unforeseen complications in their hosts' bodies. Due to their multiple transmission pathways, high contagion rate, and lethality, viruses are the biggest biological threat faced by animal and plant species. It is often challenging to promptly detect the presence of a virus in a possible host's body and accurately determine its type using manual examination techniques; however, it can be done using computer-based automatic diagnosis methods. Most notably, the analysis of Transmission Electron Microscopy (TEM) images has been proven to be quite successful in instant virus identification. Using TEM images collected from a recently published dataset, this article proposes a deep learning-based classification model to identify the type of virus within those images correctly. The methodology of this study includes two coherent image processing techniques to reduce the noise present in the raw microscopy images. Experimental results show that it can differentiate among the 14 types of viruses present in the dataset with a maximum of 97.44% classification accuracy and F1-score, which asserts the effectiveness and reliability of the proposed method. Implementing this scheme will impart a fast and dependable way of virus identification subsidiary to the thorough diagnostic procedures.
- Abstract（参考訳）: ウイルスは、あらゆる種類の生命体に感染し、宿主の生きた細胞を使って自己複製する顕微鏡下剤である。
全ての生物の中で最も単純な遺伝子構造を持っているにもかかわらず、ウイルスは高度に適応可能であり、弾力性があり、適切な条件を与えられた場合、宿主の体に予期せぬ合併症を引き起こす可能性がある。
複数の伝達経路、高い感染率、致死性のため、ウイルスは動物や植物が直面している最大の生物学的脅威である。
宿主の身体にウイルスが存在することを迅速に検出し、手動検査技術を用いてその型を正確に判定することはしばしば困難であるが、コンピュータによる自動診断法を用いて行うことができる。
特に、透過電子顕微鏡(TEM)画像の解析は、インスタントウイルスの同定に非常に成功したことが証明されている。
本稿では,最近公開されたデータセットから収集したTEM画像を用いて,これらの画像中のウイルスの種類を正確に識別する深層学習に基づく分類モデルを提案する。
本研究の手法は、2つのコヒーレント画像処理技術を含み、生の顕微鏡画像に存在するノイズを低減する。
実験の結果、データセットに存在する14種類のウイルスを97.44%の分類精度とF1スコアで区別でき、提案手法の有効性と信頼性を主張できることがわかった。
このスキームの実装は、徹底的な診断手順に、迅速かつ信頼性の高いウイルス識別子会社を付与する。
関連論文リスト
- StealthDiffusion: Towards Evading Diffusion Forensic Detection through Diffusion Model [62.25424831998405]
StealthDiffusionは、AI生成した画像を高品質で受け入れがたい敵の例に修正するフレームワークである。
ホワイトボックスとブラックボックスの設定の両方で有効であり、AI生成した画像を高品質な敵の偽造に変換する。
論文 参考訳（メタデータ） (2024-08-11T01:22:29Z) - Affine-Consistent Transformer for Multi-Class Cell Nuclei Detection [76.11864242047074]
本稿では, 原子核位置を直接生成する新しいアフィン一貫性変換器 (AC-Former) を提案する。
本稿では,AAT (Adaptive Affine Transformer) モジュールを導入し,ローカルネットワークトレーニングのためのオリジナル画像をワープするための重要な空間変換を自動学習する。
実験結果から,提案手法は様々なベンチマークにおいて既存の最先端アルゴリズムを著しく上回ることがわかった。
論文 参考訳（メタデータ） (2023-10-22T02:27:02Z) - Efficient Cavity Searching for Gene Network of Influenza A Virus [8.690486131601075]
インフルエンザAウイルスの遺伝子ネットワークの高次構造(空洞と斜角)は、進化中にウイルス間の密接な関連を明らかにする。
本稿では,インフルエンザウイルス遺伝学のための計算可能な複雑なネットワークにおいて,深層学習に基づくハイパーサーチモデルを提案する。
論文 参考訳（メタデータ） (2022-11-05T16:24:55Z) - Accurate Virus Identification with Interpretable Raman Signatures by
Machine Learning [12.184128048998906]
本稿では,ヒトおよび鳥のRamanスペクトルを機械学習で解析する手法を提案する。
スペクトルデータ用に特別に設計された畳み込みニューラルネットワーク(CNN)分類器は、様々なウイルスタイプやサブタイプの識別タスクに対して非常に高い精度を達成する。
論文 参考訳（メタデータ） (2022-06-05T22:31:14Z) - Texture Characterization of Histopathologic Images Using Ecological
Diversity Measures and Discrete Wavelet Transform [82.53597363161228]
本稿では,病理組織像間でテクスチャを特徴付ける手法を提案する。
2つのHIデータセットに有望な精度で、そのような画像の固有特性を定量化することが可能である。
論文 参考訳（メタデータ） (2022-02-27T02:19:09Z) - Parasitic Egg Detection and Classification in Low-cost Microscopic
Images using Transfer Learning [1.6050172226234583]
高品質な顕微鏡画像における自動寄生虫分類の効率を高めるために, トランスファーラーニング戦略を用いたCNNベースの手法を提案する。
提案するフレームワークは,最先端のオブジェクト認識手法よりも優れている。
本システムと専門家による最終決定が組み合わさって, 低コスト顕微鏡による実地精査を改善できる可能性がある。
論文 参考訳（メタデータ） (2021-07-02T11:05:45Z) - In-Line Image Transformations for Imbalanced, Multiclass Computer Vision
Classification of Lung Chest X-Rays [91.3755431537592]
本研究は、COVID-19 LCXRデータ不足のバランスをとるために画像変換を適用するために、文献の体系を活用することを目的としている。
convolutional neural networks(cnns)のようなディープラーニング技術は、健康状態と疾患状態を区別する特徴を選択することができる。
本研究は,CNNアーキテクチャを用いて高速多クラスLCXR分類を94%精度で行う。
論文 参考訳（メタデータ） (2021-04-06T02:01:43Z) - Pixel precise unsupervised detection of viral particle proliferation in
cellular imaging data [0.0]
宿主細胞単層膜におけるウイルス粒子の増殖を示す細胞イメージングデータを用いて,コンピュータ生成画像を用いた。
本研究では、死細胞または部分感染細胞を表す黒または灰色の単一ピクセルにおいて、画像間での1対1の増加と、生きた細胞に対する1対1の白色ピクセルコーディングの1対1の増加による仮説的再開により、ウイルス粒子の経時的増加をシミュレートする。
160のモデル画像のSOM-QEによる教師なし分類は、それぞれ300万画素以上あり、統計的に信頼性が高く、正確な画素と高速な分類モデルを提供する。
論文 参考訳（メタデータ） (2020-11-10T16:06:03Z) - 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) - Automatic image-based identification and biomass estimation of
invertebrates [70.08255822611812]
時間を要する分類と分類は、どれだけの昆虫を処理できるかに強い制限を課す。
我々は、人間の専門家による分類と識別の標準的な手動アプローチを、自動画像ベース技術に置き換えることを提案する。
分類タスクには最先端のResnet-50とInceptionV3 CNNを使用する。
論文 参考訳（メタデータ） (2020-02-05T21:38:57Z)
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。