Fugu-MT 論文翻訳(概要): Early Diagnoses of Acute Lymphoblastic Leukemia Using YOLOv8 and YOLOv11 Deep Learning Models

論文の概要: Early Diagnoses of Acute Lymphoblastic Leukemia Using YOLOv8 and YOLOv11 Deep Learning Models

arxiv url: http://arxiv.org/abs/2410.10701v1
Date: Mon, 14 Oct 2024 16:42:07 GMT
ステータス: 処理完了
システム内更新日: 2024-10-29 20:05:09.772447
Title: Early Diagnoses of Acute Lymphoblastic Leukemia Using YOLOv8 and YOLOv11 Deep Learning Models
Title（参考訳）: YOLOv8およびYOLOv11ディープラーニングモデルを用いた急性リンパ性白血病の早期診断
Authors: Alaa Awad, Mohamed Hegazy, Salah A. Aly,
Abstract要約: 本研究は,急性リンパ芽球性白血病(ALL)に対する画像処理および深層学習技術の応用について検討する。この研究は、特に最新のYOLOシリーズモデルを用いたALL検出の最近の発展に焦点を当てている。 YOLOv8やYOLOv11のような高度なディープラーニングモデルを利用することで、高い精度で98.8%に達することができる。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/publicdomain/zero/1.0/
Abstract: Thousands of individuals succumb annually to leukemia alone. This study explores the application of image processing and deep learning techniques for detecting Acute Lymphoblastic Leukemia (ALL), a severe form of blood cancer responsible for numerous annual fatalities. As artificial intelligence technologies advance, the research investigates the reliability of these methods in real-world scenarios. The study focuses on recent developments in ALL detection, particularly using the latest YOLO series models, to distinguish between malignant and benign white blood cells and to identify different stages of ALL, including early stages. Additionally, the models are capable of detecting hematogones, which are often misclassified as ALL. By utilizing advanced deep learning models like YOLOv8 and YOLOv11, the study achieves high accuracy rates reaching 98.8%, demonstrating the effectiveness of these algorithms across multiple datasets and various real-world situations.
Abstract（参考訳）: 毎年数千人が白血病に罹患している。本研究は, 急性リンパ性白血病(ALL)に対する画像処理および深層学習技術の応用について検討した。人工知能技術が進歩するにつれて、現実世界のシナリオにおけるこれらの手法の信頼性が研究される。この研究は、特に最新のYOLOシリーズモデルを用いて、悪性と良性白血球を区別し、早期を含むALLの異なるステージを特定するために、ALL検出の最近の発展に焦点を当てている。さらに、これらのモデルは、しばしばALLと誤分類されるヘマトゴンを検出することができる。 YOLOv8やYOLOv11のような高度なディープラーニングモデルを利用することで、高い精度で98.8%に達し、これらのアルゴリズムが複数のデータセットやさまざまな実世界の状況で有効であることを実証した。

関連論文リスト

Acute Lymphoblastic Leukemia Diagnosis Employing YOLOv11, YOLOv8, ResNet50, and Inception-ResNet-v2 Deep Learning Models [0.0]
本研究の目的は,急性リンパ芽球性白血病(ALL)の診断における画像処理と深層学習の手法を応用して,最先端の成果を達成することである。 YOLOv8、YOLOv11、ResNet50、Inception-ResNet-v2といった高度なディープラーニングモデルを利用することで、99.7%の精度を達成する。
論文参考訳（メタデータ） (2025-02-13T22:43:28Z)
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)
Enhancing Wrist Fracture Detection with YOLO [3.2049746597433746]
この研究では、最先端の単一ステージのディープニューラルネットワークに基づく検出モデルYOLOv5、YOLOv6、YOLOv7、YOLOv8を用いて、手首の異常を検出する。これらのYOLOモデルは, フラクチャー検出において, 一般的に使われている2段検出アルゴリズムであるFaster R-CNNよりも優れていることがわかった。
論文参考訳（メタデータ） (2024-07-17T14:21:53Z)
Deep Learning Algorithms for Early Diagnosis of Acute Lymphoblastic Leukemia [0.0]
急性リンパ性白血病(英語: acute lymphoblastic leukemia、ALL)は、白血球に影響を及ぼす血液がんの一種である。本研究では,ALの診断過程を支援するバイナリ画像分類モデルを提案する。
論文参考訳（メタデータ） (2024-07-14T15:35:39Z)
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)
Neural Cellular Automata for Lightweight, Robust and Explainable Classification of White Blood Cell Images [40.347953893940044]
ニューラルセルオートマトン(NCA)を用いた白血球分類の新しいアプローチを提案する。 NCAに基づく手法はパラメータの面で著しく小さく,ドメインシフトに対する堅牢性を示す。その結果,NAAは画像分類に利用でき,従来の手法の課題に対処できることがわかった。
論文参考訳（メタデータ） (2024-04-08T14:59:53Z)
Deep-Learning Tool for Early Identifying Non-Traumatic Intracranial Hemorrhage Etiology based on CT Scan [40.51754649947294]
深層学習モデルは、2011年1月から2018年4月までに収集された非外傷性ICHを用いた1868個のNCCTスキャンを用いて開発された。診断成績は臨床医の成績と比較した。臨床医は, システム拡張による特定の出血エチオロジーの感度, 特異性, 精度を著しく改善した。
論文参考訳（メタデータ） (2023-02-02T08:45:17Z)
LifeLonger: A Benchmark for Continual Disease Classification [59.13735398630546]
MedMNISTコレクションの連続的な疾患分類のためのベンチマークであるLifeLongerを紹介する。タスクとクラスでの病気の漸進的な学習は、モデルをスクラッチから再トレーニングすることなく、新しいサンプルを分類する問題に対処する。クロスドメインインクリメンタル学習は、これまで得られた知識を維持しながら、異なる機関から派生したデータセットを扱う問題に対処する。
論文参考訳（メタデータ） (2022-04-12T12:25:05Z)
Automated Detection of Acute Promyelocytic Leukemia in Blood Films and Bone Marrow Aspirates with Annotation-free Deep Learning [0.7091770799191859]
白血球同定のための深層学習手法MILLIE(Multiple Instance Learning)を提案する。 MILLIEは最小限の監督で血液フィルムの自動信頼性解析を行うことができる。血液膜および骨髄吸引液中の急性前骨髄球性白血病(APL)を検出する。
論文参考訳（メタデータ） (2022-03-20T18:53:09Z)
Spectral-Spatial Recurrent-Convolutional Networks for In-Vivo Hyperspectral Tumor Type Classification [49.32653090178743]
ハイパースペクトル画像とディープラーニングを用いたin-vivo腫瘍型分類の可能性を示した。我々の最良のモデルは76.3%のAUCを達成し、従来の学習手法とディープラーニング手法を著しく上回っている。
論文参考訳（メタデータ） (2020-07-02T12:00:53Z)
Spatio-spectral deep learning methods for in-vivo hyperspectral laryngeal cancer detection [49.32653090178743]
頭頸部腫瘍の早期発見は患者の生存に不可欠である。ハイパースペクトルイメージング(HSI)は頭頸部腫瘍の非侵襲的検出に用いられる。 HSIに基づく喉頭癌診断のための複数の深層学習手法を提案する。
論文参考訳（メタデータ） (2020-04-21T17:07:18Z)

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。