Fugu-MT 論文翻訳(概要): Automated Web-Based Malaria Detection System with Machine Learning and Deep Learning Techniques

論文の概要: Automated Web-Based Malaria Detection System with Machine Learning and Deep Learning Techniques

arxiv url: http://arxiv.org/abs/2407.00120v1
Date: Thu, 27 Jun 2024 16:50:36 GMT
ステータス: 処理完了
システム内更新日: 2024-07-04 06:20:13.834218
Title: Automated Web-Based Malaria Detection System with Machine Learning and Deep Learning Techniques
Title（参考訳）: 機械学習とディープラーニング技術を用いたWebベースマラリア自動検出システム
Authors: Abraham G Taye, Sador Yemane, Eshetu Negash, Yared Minwuyelet, Moges Abebe, Melkamu Hunegnaw Asmare,
Abstract要約: 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。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: Malaria parasites pose a significant global health burden, causing widespread suffering and mortality. Detecting malaria infection accurately is crucial for effective treatment and control. However, existing automated detection techniques have shown limitations in terms of accuracy and generalizability. Many studies have focused on specific features without exploring more comprehensive approaches. In our case, we formulate a deep learning technique for malaria-infected cell classification using traditional CNNs and transfer learning models notably VGG19, InceptionV3, and Xception. The models were trained using NIH datasets and tested using different performance metrics such as accuracy, precision, recall, and F1-score. The test results showed that deep CNNs achieved the highest accuracy -- 97%, followed by Xception with an accuracy of 95%. A machine learning model SVM achieved an accuracy of 83%, while an Inception-V3 achieved an accuracy of 94%. Furthermore, the system can be accessed through a web interface, where users can upload blood smear images for malaria detection.
Abstract（参考訳）: 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。マラリアの感染を正確に検出することは、効果的な治療と管理に不可欠である。しかし、既存の自動検出技術では精度と一般化性に限界がある。多くの研究は、より包括的なアプローチを探求することなく、特定の特徴に焦点を当ててきた。本稿では,従来のCNNとVGG19,InceptionV3,Xceptionなどの転写学習モデルを用いて,マラリア感染細胞分類の深層学習手法を定式化した。モデルはNIHデータセットを使用してトレーニングされ、精度、精度、リコール、F1スコアなど、さまざまなパフォーマンスメトリクスを使用してテストされた。その結果,深部CNNは97%,Xceptionは95%と高い精度を示した。機械学習モデルSVMの精度は83%、Inception-V3の精度は94%だった。さらに、このシステムはWebインターフェースを通じてアクセス可能で、ユーザーはマラリア検出のために血液スミア画像をアップロードすることができる。

関連論文リスト

A Hybrid Feature Fusion Deep Learning Framework for Leukemia Cancer Detection in Microscopic Blood Sample Using Gated Recurrent Unit and Uncertainty Quantification [1.024113475677323]
白血病は、顕微鏡で血液や骨髄の腫れを分析して診断され、さらなる細胞化学的検査によって確認される。深層学習は、白血病細胞の検出を補助する、顕微鏡スミア画像を分類する高度な方法を提供している。本研究では,急性リンパ性白血病(ALL)の分類のためのハイブリッドディープラーニングモデルを構築した。提案手法は、ALL-IDB1データセットで100%、ALL-IDB2データセットで98.07%、組み合わせたデータセットで98.64%という顕著な検出精度を達成した。
論文参考訳（メタデータ） (2024-10-18T15:23:34Z)
Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
論文参考訳（メタデータ） (2024-09-29T07:04:26Z)
Malaria Cell Detection Using Deep Neural Networks [1.1237179306040028]
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。
論文参考訳（メタデータ） (2024-06-28T15:44:55Z)
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)
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)
EMT-NET: Efficient multitask network for computer-aided diagnosis of breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文参考訳（メタデータ） (2022-01-13T05:24:40Z)
Attack-agnostic Adversarial Detection on Medical Data Using Explainable Machine Learning [0.0]
本論文では,2つのデータセット上での対比サンプルの正確な検出のためのモデル非依存説明性に基づく手法を提案する。 MIMIC-IIIとHenan-Renmin EHRのデータセットでは,縦軸攻撃に対する検出精度は77%であった。 MIMIC-CXRデータセットでは88%の精度を実現し、すべての設定において、両方のデータセットにおける敵検出技術の現状を10%以上改善した。
論文参考訳（メタデータ） (2021-05-05T10:01:53Z)
Active learning for medical code assignment [55.99831806138029]
臨床領域における多ラベルテキスト分類におけるアクティブラーニング(AL)の有効性を示す。 MIMIC-IIIデータセットにICD-9コードを自動的に割り当てるために、よく知られたALメソッドのセットを適用します。その結果、有益なインスタンスの選択は、大幅に減少したトレーニングセットで満足のいく分類を提供する。
論文参考訳（メタデータ） (2021-04-12T18:11:17Z)
Uncertainty-Aware Semi-supervised Method using Large Unlabelled and Limited Labeled COVID-19 Data [14.530328267425638]
新型コロナウイルス自動検出のための限定ラベルデータ(SCLLD)を用いた半監視分類を提案する。提案システムは,近江病院から収集した1万個のCTスキャンを用いて訓練する。本手法は,ラベル付きトレーニングデータが少ない場合に,Convolutional Neural Network (CNN) の教師付きトレーニングを大幅に上回っている。
論文参考訳（メタデータ） (2021-02-12T08:20:20Z)
UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文参考訳（メタデータ） (2020-10-22T02:28:11Z)
Classification of COVID-19 in CT Scans using Multi-Source Transfer Learning [91.3755431537592]
我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
論文参考訳（メタデータ） (2020-09-22T11:53:06Z)

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。