論文の概要: Malaria Cell Detection Using Deep Neural Networks

• arxiv url: http://arxiv.org/abs/2406.20005v1
• Date: Fri, 28 Jun 2024 15:44:55 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-01 16:20:56.599563
• Title: Malaria Cell Detection Using Deep Neural Networks
• Title（参考訳）: ディープニューラルネットワークを用いたマラリア細胞検出
• Authors: Saurabh Sawant, Anurag Singh,
• Abstract要約: マラリアは世界中で最も深刻な公衆衛生上の懸念の1つだ。 血液スミアの顕微鏡検査などの従来の診断法は、労働集約的である。 本研究の目的は, 深層学習によるマラリア感染細胞の自動検出である。
• 参考スコア（独自算出の注目度）: 1.1237179306040028
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Malaria remains one of the most pressing public health concerns globally, causing significant morbidity and mortality, especially in sub-Saharan Africa. Rapid and accurate diagnosis is crucial for effective treatment and disease management. Traditional diagnostic methods, such as microscopic examination of blood smears, are labor-intensive and require significant expertise, which may not be readily available in resource-limited settings. This project aims to automate the detection of malaria-infected cells using a deep learning approach. We employed a convolutional neural network (CNN) based on the ResNet50 architecture, leveraging transfer learning to enhance performance. The Malaria Cell Images Dataset from Kaggle, containing 27,558 images categorized into infected and uninfected cells, was used for training and evaluation. Our model demonstrated high accuracy, precision, and recall, indicating its potential as a reliable tool for assisting in malaria diagnosis. Additionally, a web application was developed using Streamlit to allow users to upload cell images and receive predictions about malaria infection, making the technology accessible and user-friendly. This paper provides a comprehensive overview of the methodology, experiments, and results, highlighting the effectiveness of deep learning in medical image analysis.
• Abstract（参考訳）: マラリアは世界中で最も深刻な公衆衛生上の問題の一つであり、特にサハラ以南のアフリカでは深刻な死亡率と死亡率を引き起こしている。 迅速かつ正確な診断は、効果的な治療と疾患管理に不可欠である。 血液スミアの顕微鏡検査のような従来の診断法は、労働集約的であり、重要な専門知識を必要とするが、資源限定の設定では容易には利用できない。 本研究の目的は, 深層学習によるマラリア感染細胞の自動検出である。 我々はResNet50アーキテクチャに基づいた畳み込みニューラルネットワーク(CNN)を用い、転送学習を活用して性能を向上した。 カグルのマラリア細胞画像データセットは、感染細胞と感染していない細胞に分類された27,558枚の画像を含んでおり、トレーニングと評価に使用された。 本モデルでは, 高い精度, 精度, 再現性を示し, マラリア診断支援のための信頼性の高いツールとしての可能性を示した。 さらに、ユーザが細胞画像をアップロードし、マラリア感染の予知を受けられるように、Streamlitを使ってWebアプリケーションが開発された。 本稿では, 医用画像解析における深層学習の有効性を明らかにするため, 方法論, 実験, 結果の概要について概説する。

関連論文リスト

• 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)
• Automated Web-Based Malaria Detection System with Machine Learning and Deep Learning Techniques [0.0]
  マラリア原虫は、世界的な健康上の重荷となり、広範囲の苦しみと死亡を引き起こしている。 従来のCNNと転写学習モデルを用いて,マラリア感染細胞分類のための深層学習手法を定式化した。 システムはWebインターフェースを通じてアクセスでき、血液のスミア画像をアップロードしてマラリア検出を行うことができる。
  論文  参考訳（メタデータ） (2024-06-27T16:50:36Z)
• M2ANET: Mobile Malaria Attention Network for efficient classification of plasmodium parasites in blood cells [0.0]
  マラリアはPlasmodium parasites(プラスモジウム・寄生虫)によって引き起こされる致命的な伝染病であり、世界中の公衆衛生問題を引き起こす。 深層学習技術は医用画像解析タスクにおいて顕著に成功し、診断精度を向上させるための有望な道を提供する。 血液細胞画像中のプラスモジウム寄生虫の効率的な分類のためのハイブリッド移動モデルであるM2ANET(Mobile Malaria Attention Network)を提案する。
  論文  参考訳（メタデータ） (2024-05-23T07:22:33Z)
• CodaMal: Contrastive Domain Adaptation for Malaria Detection in Low-Cost Microscopes [51.5625352379093]
  マラリアは世界中で大きな問題であり、診断には低コストの顕微鏡(LCM)で効果的に動作するスケーラブルなソリューションが必要である。 ディープラーニングに基づく手法は、顕微鏡画像からコンピュータ支援による診断に成功している。 これらの方法には、マラリア原虫の感染した細胞とその生活段階を示す注釈画像が必要である。 LCMからの注記画像は、高精細顕微鏡(HCM)からの注記画像と比較して医療専門家の負担を著しく増大させる
  論文  参考訳（メタデータ） (2024-02-16T06:57:03Z)
• Explainable AI in Diagnosing and Anticipating Leukemia Using Transfer Learning Method [0.0]
  本研究は,小児および10代に流行する急性リンパ芽球性白血病(ALL)に焦点をあてる。 ディープラーニング技術を活用したコンピュータ支援診断(CAD)モデルを用いた自動検出手法を提案する。 提案手法は98.38%の精度を達成し、他の試験モデルよりも優れていた。
  論文  参考訳（メタデータ） (2023-12-01T10:37:02Z)
• COVID-Net USPro: An Open-Source Explainable Few-Shot Deep Prototypical Network to Monitor and Detect COVID-19 Infection from Point-of-Care Ultrasound Images [66.63200823918429]
  COVID-Net USProは、最小限の超音波画像から高精度で新型コロナウイルス陽性の患者を監視し、検出する。 ネットワーク全体では99.65%の精度、99.7%のリコール、99.67%の精度で5発の撮影で訓練された。
  論文  参考訳（メタデータ） (2023-01-04T16:05:51Z)
• When Accuracy Meets Privacy: Two-Stage Federated Transfer Learning Framework in Classification of Medical Images on Limited Data: A COVID-19 Case Study [77.34726150561087]
  新型コロナウイルスのパンデミックが急速に広がり、世界の医療資源が不足している。 CNNは医療画像の解析に広く利用され、検証されている。
  論文  参考訳（メタデータ） (2022-03-24T02:09:41Z)
• 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)
• End-to-end Malaria Diagnosis and 3D Cell Rendering with Deep Learning [0.0]
  マラリアは寄生虫感染であり、世界的な健康に重大な負担を与える。 30秒ごとに1人の子供が死亡し、毎年100万人以上が死亡している。 マラリアを診断するための現在の金の基準は、顕微鏡、試薬、その他の装置を必要とし、低社会経済的括弧の患者はアクセスできない。
  論文  参考訳（メタデータ） (2021-07-08T08:13:11Z)
• 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)
• MOSQUITO-NET: A deep learning based CADx system for malaria diagnosis along with model interpretation using GradCam and class activation maps [9.01199960262149]
  マラリアは世界でも最も致命的な病気の1つで、毎年数千人が死亡している。 マラリアの原因となる寄生虫は、科学的にはプラスモジウムと呼ばれ、ヒトの赤血球に感染する。 マラリアの診断には、顕微鏡的血腫の医療従事者による寄生細胞の同定と手動計測が必要である。
  論文  参考訳（メタデータ） (2020-06-17T13:00:30Z)

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。