論文の概要: Analysis of Modern Computer Vision Models for Blood Cell Classification

• arxiv url: http://arxiv.org/abs/2407.00759v1
• Date: Sun, 30 Jun 2024 16:49:29 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-04 01:37:22.735433
• Title: Analysis of Modern Computer Vision Models for Blood Cell Classification
• Title（参考訳）: 血液細胞分類のための最新のコンピュータビジョンモデルの解析
• Authors: Alexander Kim, Ryan Kim,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 49.1574468325115
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The accurate classification of white blood cells and related blood components is crucial for medical diagnoses. While traditional manual examinations and automated hematology analyzers have been widely used, they are often slow and prone to errors. Recent advancements in deep learning have shown promise for addressing these limitations. Earlier studies have demonstrated the viability of convolutional neural networks such as DenseNet, ResNet, and VGGNet for this task. Building on these foundations, our work employs more recent and efficient models to achieve rapid and accurate results. Specifically, this study used state-of-the-art architectures, including MaxVit, EfficientVit, EfficientNet, EfficientNetV2, and MobileNetV3. This study aimed to evaluate the performance of these models in WBC classification, potentially offering a more efficient and reliable alternative to current methods. Our approach not only addresses the speed and accuracy concerns of traditional techniques but also explores the applicability of innovative deep learning models in hematological analysis.
• Abstract（参考訳）: 白血球と関連する血液成分の正確な分類は、医学的診断に不可欠である。 従来の手動検査や自動血液分析装置は広く用いられているが、しばしば遅く、エラーを起こしやすい。 近年のディープラーニングの進歩は、これらの制限に対処することを約束している。 以前の研究では、このタスクのためにDenseNet、ResNet、VGGNetといった畳み込みニューラルネットワークが実現可能であることが示されている。 これらの基礎の上に構築された私たちの研究は、迅速かつ正確な結果を得るために、より最新で効率的なモデルを採用しています。 具体的には、MaxVit、EfficientVit、EfficientNet、EfficientNetV2、MobileNetV3といった最先端アーキテクチャを使用した。 本研究では,これらのモデルの性能をWBC分類で評価することを目的とした。 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。

関連論文リスト

• A study on deep feature extraction to detect and classify Acute Lymphoblastic Leukemia (ALL) [0.0]
  急性リンパ芽球性白血病(ALL)は、主に成人と小児に影響を及ぼす血液悪性腫瘍である。 本研究では、深い学習、特に畳み込みニューラルネットワーク(CNN)を用いて、ALLの検出と分類を行う。 87%の精度で、ResNet101モデルは最高の結果をもたらし、その後にDenseNet121とVGG19が続いた。
  論文  参考訳（メタデータ） (2024-09-10T17:53:29Z)
• 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)
• How neural networks learn to classify chaotic time series [77.34726150561087]
  本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。 入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
  論文  参考訳（メタデータ） (2023-06-04T08:53:27Z)
• NCTV: Neural Clamping Toolkit and Visualization for Neural Network Calibration [66.22668336495175]
  ニューラルネットワークのキャリブレーションに対する考慮の欠如は、人間から信頼を得ることはないだろう。 我々はNeural Clamping Toolkitを紹介した。これは開発者が最先端のモデルに依存しないキャリブレーションモデルを採用するのを支援するために設計された最初のオープンソースフレームワークである。
  論文  参考訳（メタデータ） (2022-11-29T15:03:05Z)
• Contrastive Brain Network Learning via Hierarchical Signed Graph Pooling Model [64.29487107585665]
  脳機能ネットワーク上のグラフ表現学習技術は、臨床表現型および神経変性疾患のための新しいバイオマーカーの発見を容易にする。 本稿では,脳機能ネットワークからグラフレベル表現を抽出する階層型グラフ表現学習モデルを提案する。 また、モデルの性能をさらに向上させるために、機能的脳ネットワークデータをコントラスト学習のために拡張する新たな戦略を提案する。
  論文  参考訳（メタデータ） (2022-07-14T20:03:52Z)
• Pathological Analysis of Blood Cells Using Deep Learning Techniques [0.0]
  血液細胞像を様々なカテゴリに分類するニューラルネットワークが提案されている。 提案したモデルの性能は、既存の標準アーキテクチャよりも優れており、様々な研究者によってなされている。
  論文  参考訳（メタデータ） (2021-11-05T05:37:10Z)
• 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)
• Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
  ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。 本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
  論文  参考訳（メタデータ） (2021-06-17T17:26:31Z)
• Analysis of Vision-based Abnormal Red Blood Cell Classification [1.6050172226234583]
  赤血球(RBC)の異常の同定は、貧血から肝疾患まで幅広い医学的疾患を診断する鍵となる。 本稿では,機械学習の利点を利用したセル異常検出のキャパシティ向上と標準化を目的とした自動化プロセスを提案する。
  論文  参考訳（メタデータ） (2021-06-01T10:52:41Z)
• Learning Efficient, Explainable and Discriminative Representations for Pulmonary Nodules Classification [2.4565395352560895]
  本研究では,効率的かつ(部分的に)説明可能な分類モデルの構築を目指す。 我々は,3次元ネットワークアーキテクチャを高精度かつ高速なトレードオフで自動検索するために,ニューロンアーキテクチャサーチ(NAS)を用いる。 推論段階では、予測精度とロバスト性を改善するために、多様なニューラルネットワークのアンサンブルを用いる。
  論文  参考訳（メタデータ） (2021-01-19T02:53:44Z)

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。