論文の概要: CoTCoNet: An Optimized Coupled Transformer-Convolutional Network with an Adaptive Graph Reconstruction for Leukemia Detection

• arxiv url: http://arxiv.org/abs/2410.08797v2
• Date: Mon, 21 Oct 2024 15:45:23 GMT
• ステータス: 処理完了
• システム内更新日: 2024-10-30 21:55:58.058058
• Title: CoTCoNet: An Optimized Coupled Transformer-Convolutional Network with an Adaptive Graph Reconstruction for Leukemia Detection
• Title（参考訳）: CoTCoNet: 白血病検出のための適応的グラフ再構成を用いた最適結合型トランスフォーマー・コンボリューションネットワーク
• Authors: Chandravardhan Singh Raghaw, Arnav Sharma, Shubhi Bansal, Mohammad Zia Ur Rehman, Nagendra Kumar,
• Abstract要約: 白血病の分類のためのCoTCoNet(Coupled Transformer Convolutional Network)フレームワークを提案する。 我々のフレームワークは、包括的グローバル特徴とスケーラブルな空間パターンを捉え、複雑で大規模な血液学的特徴の同定を可能にする。 それぞれ0.9894と0.9893のF1スコアレートを達成している。
• 参考スコア（独自算出の注目度）: 0.3573481101204926
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Swift and accurate blood smear analysis is an effective diagnostic method for leukemia and other hematological malignancies. However, manual leukocyte count and morphological evaluation using a microscope is time-consuming and prone to errors. Conventional image processing methods also exhibit limitations in differentiating cells due to the visual similarity between malignant and benign cell morphology. This limitation is further compounded by the skewed training data that hinders the extraction of reliable and pertinent features. In response to these challenges, we propose an optimized Coupled Transformer Convolutional Network (CoTCoNet) framework for the classification of leukemia, which employs a well-designed transformer integrated with a deep convolutional network to effectively capture comprehensive global features and scalable spatial patterns, enabling the identification of complex and large-scale hematological features. Further, the framework incorporates a graph-based feature reconstruction module to reveal the hidden or unobserved hard-to-see biological features of leukocyte cells and employs a Population-based Meta-Heuristic Algorithm for feature selection and optimization. To mitigate data imbalance issues, we employ a synthetic leukocyte generator. In the evaluation phase, we initially assess CoTCoNet on a dataset containing 16,982 annotated cells, and it achieves remarkable accuracy and F1-Score rates of 0.9894 and 0.9893, respectively. To broaden the generalizability of our model, we evaluate it across four publicly available diverse datasets, which include the aforementioned dataset. This evaluation demonstrates that our method outperforms current state-of-the-art approaches. We also incorporate an explainability approach in the form of feature visualization closely aligned with cell annotations to provide a deeper understanding of the framework.
• Abstract（参考訳）: スイフトと正確な血液スミア分析は、白血病やその他の血液悪性腫瘍の効果的な診断方法である。 しかし, 顕微鏡を用いた手動白血球数と形態評価は時間を要するため, エラーが生じる傾向がみられた。 従来の画像処理手法は、悪性細胞と良性細胞の形態の視覚的類似性による細胞分化の限界も示している。 この制限は、信頼性と関連する特徴の抽出を妨げる歪んだトレーニングデータによってさらに複雑にされる。 これらの課題に対応するため、我々は、深層畳み込みネットワークと統合されたよく設計されたトランスフォーマーを用いて、包括的グローバル特徴と拡張性のある空間パターンを効果的にキャプチャし、複雑で大規模な血液学的特徴の同定を可能にする、白血病の分類のための最適化されたCoTCoNet(CoTCoNet)フレームワークを提案する。 さらに、このフレームワークは、グラフベースの機能再構成モジュールを組み込んで、白血球細胞の隠れた、または観察できない生物学的特徴を明らかにするとともに、機能選択と最適化のために、Populationベースのメタヒューリスティックアルゴリズムを使用している。 データ不均衡を緩和するために、我々は合成白血球生成装置を用いる。 評価段階では16,982個のアノテートされたセルを含むデータセット上でCoTCoNetを評価し,それぞれ0.9894と0.9893のF1スコアレートを達成した。 モデルの一般化性を高めるため、上記のデータセットを含む4つの公開可能な多種多様なデータセットにまたがって評価を行った。 この評価は,本手法が現在の最先端手法よりも優れていることを示す。 また,機能可視化をセルアノテーションと密に整合させて,フレームワークをより深く理解するための説明可能性アプローチも取り入れた。

関連論文リスト

• CAF-YOLO: A Robust Framework for Multi-Scale Lesion Detection in Biomedical Imagery [0.0682074616451595]
  CAF-YOLOは、畳み込みニューラルネットワーク(CNN)とトランスフォーマーの強みを活用する、医学的対象検出のための、巧妙で堅牢な方法である。 ACFMモジュールはグローバル機能とローカル機能の両方のモデリングを強化し、長期的な機能依存のキャプチャを可能にする。 MSNNは多様なスケールにまたがる特徴を抽出することで、マルチスケールの情報集約を改善する。
  論文  参考訳（メタデータ） (2024-08-04T01:44:44Z)
• Single-Cell Deep Clustering Method Assisted by Exogenous Gene Information: A Novel Approach to Identifying Cell Types [50.55583697209676]
  我々は,細胞間のトポロジ的特徴を効率的に捉えるために,注目度の高いグラフオートエンコーダを開発した。 クラスタリング過程において,両情報の集合を統合し,細胞と遺伝子の特徴を再構成し,識別的表現を生成する。 本研究は、細胞の特徴と分布に関する知見を高め、疾患の早期診断と治療の基礎となる。
  論文  参考訳（メタデータ） (2023-11-28T09:14:55Z)
• A novel framework employing deep multi-attention channels network for the autonomous detection of metastasizing cells through fluorescence microscopy [0.20999222360659603]
  正常細胞と転移細胞を区別できる計算フレームワークを開発した。 この方法は、正常で転移する単細胞においてアクチンとビメンチンフィラメントの空間的構造を示す蛍光顕微鏡画像に依存する。
  論文  参考訳（メタデータ） (2023-09-02T11:20:10Z)
• Breast Ultrasound Tumor Classification Using a Hybrid Multitask CNN-Transformer Network [63.845552349914186]
  胸部超音波(BUS)画像分類において,グローバルな文脈情報の収集が重要な役割を担っている。 ビジョントランスフォーマーは、グローバルなコンテキスト情報をキャプチャする能力が改善されているが、トークン化操作によって局所的なイメージパターンを歪めてしまう可能性がある。 本研究では,BUS腫瘍分類とセグメンテーションを行うハイブリッドマルチタスクディープニューラルネットワークであるHybrid-MT-ESTANを提案する。
  論文  参考訳（メタデータ） (2023-08-04T01:19:32Z)
• PhagoStat a scalable and interpretable end to end framework for efficient quantification of cell phagocytosis in neurodegenerative disease studies [0.0]
  本稿では,食欲活動の定量化と分析を行うためのエンドツーエンド,スケーラブル,汎用的なリアルタイムフレームワークを提案する。 提案するパイプラインでは,大規模なデータセットを処理でき,データ品質検証モジュールも備えている。 我々はこのパイプラインをFTDの微小グリア細胞食細胞解析に応用し,統計的に信頼性の高い結果を得た。
  論文  参考訳（メタデータ） (2023-04-26T18:10:35Z)
• Optimizations of Autoencoders for Analysis and Classification of Microscopic In Situ Hybridization Images [68.8204255655161]
  同様のレベルの遺伝子発現を持つ顕微鏡画像の領域を検出・分類するためのディープラーニングフレームワークを提案する。 分析するデータには教師なし学習モデルが必要です。
  論文  参考訳（メタデータ） (2023-04-19T13:45:28Z)
• 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)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)
• Sickle-cell disease diagnosis support selecting the most appropriate machinelearning method: Towards a general and interpretable approach for cellmorphology analysis from microscopy images [0.0]
  本稿では,最先端技術に基づく分類手法と特徴の選択手法を提案する。 当科では,他の研究例に応用できる病原体疾患のサンプルを用いて検討した。
  論文  参考訳（メタデータ） (2020-10-09T11:46:38Z)
• Learning Interpretable Microscopic Features of Tumor by Multi-task Adversarial CNNs To Improve Generalization [1.7371375427784381]
  既存のCNNモデルはブラックボックスとして機能し、医師が重要な診断機能がモデルによって使用されることを保証しない。 ここでは,マルチタスクと敵の損失を両立させる不確実性に基づく重み付けの組み合わせをエンド・ツー・エンドで学習することにより,病理的特徴に焦点を合わせることを推奨する。 AUC 0.89 (0.01) がベースラインであるAUC 0.86 (0.005) に対して最も高い値を示した。
  論文  参考訳（メタデータ） (2020-08-04T12:10:35Z)

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。