Fugu-MT 論文翻訳(概要): DVS: Blood cancer detection using novel CNN-based ensemble approach

論文の概要: DVS: Blood cancer detection using novel CNN-based ensemble approach

arxiv url: http://arxiv.org/abs/2410.05272v1
Date: Thu, 12 Sep 2024 09:16:24 GMT
ステータス: 処理完了
システム内更新日: 2024-11-01 19:47:38.477445
Title: DVS: Blood cancer detection using novel CNN-based ensemble approach
Title（参考訳）: DVS: 新しいCNNアンサンブルを用いた血液がん検出
Authors: Md Taimur Ahad, Israt Jahan Payel, Bo Song, Yan Li,
Abstract要約: 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。
参考スコア（独自算出の注目度）: 7.13230591574577
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Blood cancer can only be diagnosed properly if it is detected early. Each year, more than 1.24 million new cases of blood cancer are reported worldwide. There are about 6,000 cancers worldwide due to this disease. The importance of cancer detection and classification has prompted researchers to evaluate Deep Convolutional Neural Networks for the purpose of classifying blood cancers. The objective of this research is to conduct an in-depth investigation of the efficacy and suitability of modern Convolutional Neural Network (CNN) architectures for the detection and classification of blood malignancies. The study focuses on investigating the potential of Deep Convolutional Neural Networks (D-CNNs), comprising not only the foundational CNN models but also those improved through transfer learning methods and incorporated into ensemble strategies, to detect diverse forms of blood cancer with a high degree of accuracy. This paper provides a comprehensive investigation into five deep learning architectures derived from CNNs. These models, namely VGG19, ResNet152v2, SEresNet152, ResNet101, and DenseNet201, integrate ensemble learning techniques with transfer learning strategies. A comparison of DenseNet201 (98.08%), VGG19 (96.94%), and SEresNet152 (90.93%) shows that DVS outperforms CNN. With transfer learning, DenseNet201 had 95.00% accuracy, VGG19 had 72.29%, and SEresNet152 had 94.16%. In the study, the ensemble DVS model achieved 98.76% accuracy. Based on our study, the ensemble DVS model is the best for detecting and classifying blood cancers.
Abstract（参考訳）: 早期に検出された場合のみ、適切な診断が可能である。毎年124万人以上の新しい血液がんが世界中で報告されている。この病気により世界中に約6,000のがんがある。がんの検出と分類の重要性から、研究者は血液がんの分類のためにディープ畳み込みニューラルネットワークを評価するようになった。本研究の目的は,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,詳細な調査を行うことである。本研究は, 深層畳み込みニューラルネットワーク (D-CNN) の可能性を検討することに焦点を当て, 基礎的CNNモデルだけでなく, 伝達学習法によって改善され, アンサンブル戦略に組み込まれたモデルを用いて, 高い精度で多種多様な血液型を検出することに焦点を当てた。本稿では,CNNから派生した5つのディープラーニングアーキテクチャを包括的に調査する。これらのモデル、すなわち、VGG19、ResNet152v2、SeresNet152、ResNet101、DenseNet201は、アンサンブル学習技術とトランスファー学習戦略を統合する。 DenseNet201 (98.08%)、VGG19 (96.94%)、SeresNet152 (90.93%)の比較では、DVSがCNNを上回っている。 DenseNet201は95.00%の精度でVGG19は72.29%、SeresNet152は94.16%だった。この研究で、アンサンブルDVSモデルは98.76%の精度を達成した。本研究から, 組立型DVSモデルは, 血液がんの検出と分類に最適である。

関連論文リスト

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 comprehensive study on Blood Cancer detection and classification using Convolutional Neural Network [6.648024246537002]
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。
論文参考訳（メタデータ） (2024-09-10T17:53:47Z)
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)
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)
Comparative Analysis of Deep Learning Architectures for Breast Cancer Diagnosis Using the BreaKHis Dataset [0.0]
本研究では,癌分類における5つのよく知られたディープラーニングモデルの性能と比較を行った。その結果、Xceptionモデルがトップに上がり、F1スコアは0.9、精度は89%となった。 InceptionモデルのF1スコアは87で、InceptionResNetのF1スコアは86。
論文参考訳（メタデータ） (2023-09-02T19:02:50Z)
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)
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)
Wide & Deep neural network model for patch aggregation in CNN-based prostate cancer detection systems [51.19354417900591]
前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
論文参考訳（メタデータ） (2021-05-20T18:13:58Z)
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)
Dual-Sampling Attention Network for Diagnosis of COVID-19 from Community Acquired Pneumonia [46.521323145636906]
胸部CT(Central Computed Tomography)において,地域肺炎(CAP)からCOVID-19を自動診断するデュアルサンプリングアテンションネットワークを開発した。特に,3D畳み込みネットワーク(CNN)を用いた新しいオンラインアテンションモジュールを提案する。我々のアルゴリズムは、受信機動作特性曲線(AUC)値0.944、精度87.5%、感度86.9%、特異度90.1%、F1スコア82.0%の領域で、COVID-19画像を識別することができる。
論文参考訳（メタデータ） (2020-05-06T09:56:51Z)

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。