Fugu-MT 論文翻訳(概要): A comprehensive study on Blood Cancer detection and classification using Convolutional Neural Network

論文の概要: A comprehensive study on Blood Cancer detection and classification using Convolutional Neural Network

arxiv url: http://arxiv.org/abs/2409.06689v1
Date: Tue, 10 Sep 2024 17:53:47 GMT
ステータス: 処理完了
システム内更新日: 2024-09-11 16:23:35.064073
Title: A comprehensive study on Blood Cancer detection and classification using Convolutional Neural Network
Title（参考訳）: 畳み込みニューラルネットワークを用いた血液がんの検出と分類に関する総合的研究
Authors: Md Taimur Ahad, Sajib Bin Mamun, Sumaya Mustofa, Bo Song, Yan Li,
Abstract要約: 本研究は、新しいアンサンブルモデルDIXを開発し、血液がんを検出し分類する。統計学的結果から、DIXはオリジナルとトランスファーの学習性能より優れており、99.12%の精度が得られたことが示唆されている。 CNNを用いた血液がんの検出と分類の精度は、CNNモデルが血液がんの検出に有望であることを示唆している。
参考スコア（独自算出の注目度）: 6.648024246537002
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Over the years in object detection several efficient Convolutional Neural Networks (CNN) networks, such as DenseNet201, InceptionV3, ResNet152v2, SEresNet152, VGG19, Xception gained significant attention due to their performance. Moreover, CNN paradigms have expanded to transfer learning and ensemble models from original CNN architectures. Research studies suggest that transfer learning and ensemble models are capable of increasing the accuracy of deep learning (DL) models. However, very few studies have conducted comprehensive experiments utilizing these techniques in detecting and localizing blood malignancies. Realizing the gap, this study conducted three experiments; in the first experiment -- six original CNNs were used, in the second experiment -- transfer learning and, in the third experiment a novel ensemble model DIX (DenseNet201, InceptionV3, and Xception) was developed to detect and classify blood cancer. The statistical result suggests that DIX outperformed the original and transfer learning performance, providing an accuracy of 99.12%. However, this study also provides a negative result in the case of transfer learning, as the transfer learning did not increase the accuracy of the original CNNs. Like many other cancers, blood cancer diseases require timely identification for effective treatment plans and increased survival possibilities. The high accuracy in detecting and categorization blood cancer detection using CNN suggests that the CNN model is promising in blood cancer disease detection. This research is significant in the fields of biomedical engineering, computer-aided disease diagnosis, and ML-based disease detection.
Abstract（参考訳）: オブジェクト検出の長年にわたって、DenseNet201、InceptionV3、ResNet152v2、SEresNet152、VGG19、Xceptionなどの効率的な畳み込みニューラルネットワーク(CNN)ネットワークは、その性能のために大きな注目を集めた。さらに、CNNパラダイムは、オリジナルのCNNアーキテクチャから学習モデルとアンサンブルモデルを移行するために拡張されている。研究によると、トランスファーラーニングとアンサンブルモデルは、ディープラーニング(DL)モデルの精度を高めることができる。しかし、血液悪性腫瘍の検出と局在化にこれらの技術を利用する包括的な実験は、ごくわずかである。第1実験では6つのオリジナルのCNNを使用し、第2実験では移動学習を行い、第3実験では新しいアンサンブルモデルDIX(DenseNet201, InceptionV3, Xception)を開発し、血液がんを検出し分類した。統計学的結果から、DIXはオリジナルとトランスファーの学習性能より優れており、99.12%の精度が得られたことが示唆されている。しかし, 転送学習では元のCNNの精度が向上しなかったため, 転送学習では負の結果が得られなかった。他の多くのがんと同様に、血液がんは効果的な治療計画のタイムリーな同定と生存可能性の向上を必要とする。 CNNを用いた血液がんの検出と分類の精度は、CNNモデルが血液がんの検出に有望であることを示唆している。本研究は, バイオメディカルエンジニアリング, コンピュータ支援型疾患診断, MLに基づく疾患検出の分野において重要である。

関連論文リスト

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)
DVS: Blood cancer detection using novel CNN-based ensemble approach [7.13230591574577]
早期に検出された場合のみ、適切な診断が可能である。本研究では,最新の畳み込みニューラルネットワーク(CNN)による血液悪性腫瘍の検出と分類の有効性について検討した。アンサンブルDVSモデルは、血液がんの検出と分類に最適である。
論文参考訳（メタデータ） (2024-09-12T09:16:24Z)
A study on Deep Convolutional Neural Networks, Transfer Learning and Ensemble Model for Breast Cancer Detection [2.5748316361772963]
本研究は、乳がん検出におけるオリジナルのCNN、転写学習、アンサンブルモデルを含むD-CNNの性能を比較した。アンサンブルモデルは、乳がんの検出と分類において99.94%の最も高い検出と分類の精度を提供する。 CNNを用いた乳癌の検出と分類の精度は,CNNモデルが乳癌の診断に有効であることを示唆している。
論文参考訳（メタデータ） (2024-09-10T17:58:21Z)
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)
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)
Diagnosis of Skin Cancer Using VGG16 and VGG19 Based Transfer Learning Models [0.6827423171182154]
ディープ畳み込みニューラルネットワーク(CNN)は、データと画像の分類に優れた可能性を示している。本稿では,CNNを用いた皮膚病変分類問題について検討する。本研究では, 転写学習の枠組みを適切に設計し, 適用することにより, 病変検出の顕著な分類精度を得ることができることを示す。
論文参考訳（メタデータ） (2024-04-01T15:06:20Z)
COVID-19 Detection using Transfer Learning with Convolutional Neural Network [0.0]
新型コロナウイルス(COVID-19)は、2019年12月に中国湖北省武漢で初めて確認された致命的な感染症である。本研究では,CT画像からCOVID-19感染を検出するためのトランスファーラーニング戦略(CNN)を提案する。提案モデルでは,Transfer Learning Model Inception V3を用いた多層畳み込みニューラルネットワーク(CNN)が設計されている。
論文参考訳（メタデータ） (2022-06-17T05:30:14Z)
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)
Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文参考訳（メタデータ） (2021-02-26T02:29:30Z)
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)
CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
論文参考訳（メタデータ） (2020-07-20T21:47:28Z)

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。