論文の概要: Transforming Blood Cell Detection and Classification with Advanced Deep Learning Models: A Comparative Study
- arxiv url: http://arxiv.org/abs/2410.15670v1
- Date: Mon, 21 Oct 2024 06:23:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-22 13:16:52.556576
- Title: Transforming Blood Cell Detection and Classification with Advanced Deep Learning Models: A Comparative Study
- Title(参考訳): 高度な深層学習モデルを用いた形質転換型血液細胞検出と分類 : 比較研究
- Authors: Shilpa Choudhary, Sandeep Kumar, Pammi Sri Siddhaarth, Guntu Charitasri,
- Abstract要約: 本研究は,Roboflowデータに基づいて訓練されたYOLOv10モデルを用いて,様々なエポックに640×640ピクセルの画像を再現した。
その結果,トレーニングエポックの増大は,特にリアルタイムな血液細胞検出・分類において,精度,精度,リコールを著しく向上させることが明らかとなった。
- 参考スコア(独自算出の注目度): 2.3942577670144423
- License:
- Abstract: Efficient detection and classification of blood cells are vital for accurate diagnosis and effective treatment of blood disorders. This study utilizes a YOLOv10 model trained on Roboflow data with images resized to 640x640 pixels across varying epochs. The results show that increased training epochs significantly enhance accuracy, precision, and recall, particularly in real-time blood cell detection & classification. The YOLOv10 model outperforms MobileNetV2, ShuffleNetV2, and DarkNet in real-time performance, though MobileNetV2 and ShuffleNetV2 are more computationally efficient, and DarkNet excels in feature extraction for blood cell classification. This research highlights the potential of integrating deep learning models like YOLOv10, MobileNetV2, ShuffleNetV2, and DarkNet into clinical workflows, promising improvements in diagnostic accuracy and efficiency. Additionally, a new, well-annotated blood cell dataset was created and will be open-sourced to support further advancements in automatic blood cell detection and classification. The findings demonstrate the transformative impact of these models in revolutionizing medical diagnostics and enhancing blood disorder management
- Abstract(参考訳): 血液細胞の効率的な検出と分類は、血液疾患の正確な診断と効果的な治療に不可欠である。
本研究は,Roboflowデータに基づいて訓練されたYOLOv10モデルを用いて,様々なエポックに640×640ピクセルの画像を再現した。
その結果,トレーニングエポックの増大は,特にリアルタイムな血液細胞検出・分類において,精度,精度,リコールを著しく向上させることが明らかとなった。
YOLOv10モデルは、MobileNetV2、ShuffleNetV2、DarkNetをリアルタイムのパフォーマンスで上回るが、MobileNetV2とShuffleNetV2は計算効率が良く、DarkNetは血液細胞分類のための特徴抽出に優れている。
この研究は、YOLOv10、MobileNetV2、ShuffleNetV2、DarkNetといったディープラーニングモデルを臨床ワークフローに統合する可能性を強調し、診断精度と効率性の向上を約束する。
さらに、新しい、よく注釈付けされた血液細胞データセットが作成され、自動血液細胞検出と分類のさらなる進歩をサポートするためにオープンソース化される予定である。
この結果は、これらのモデルが医療診断を革新し、血液疾患管理を増強する上での変革的影響を示している。
関連論文リスト
- 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) - Benchmarking Deep Learning Frameworks for Automated Diagnosis of Ocular
Toxoplasmosis: A Comprehensive Approach to Classification and Segmentation [1.3701366534590498]
眼トキソプラズマ症(Ocular Toxoplasmosis,OT)は、眼疾患を引き起こすT. gondiiによって引き起こされる一般的な眼感染症である。
本研究は、DL技術を活用し、安価で自動化され、使いやすく、正確な診断方法を開発しようとしている将来の研究者のためのガイドを提供する。
論文 参考訳(メタデータ) (2023-05-18T13:42:15Z) - Performance of GAN-based augmentation for deep learning COVID-19 image
classification [57.1795052451257]
ディープラーニングを医療分野に適用する上で最大の課題は、トレーニングデータの提供である。
データ拡張は、限られたデータセットに直面した時に機械学習で使用される典型的な方法論である。
本研究は, 新型コロナウイルスの胸部X線画像セットを限定して, StyleGAN2-ADAモデルを用いて訓練するものである。
論文 参考訳(メタデータ) (2023-04-18T15:39:58Z) - Clinical Deterioration Prediction in Brazilian Hospitals Based on
Artificial Neural Networks and Tree Decision Models [56.93322937189087]
超強化ニューラルネットワーク(XBNet)は臨床劣化(CD)を予測するために用いられる
XGBoostモデルはブラジルの病院のデータからCDを予測する最良の結果を得た。
論文 参考訳(メタデータ) (2022-12-17T23:29:14Z) - Stain Normalized Breast Histopathology Image Recognition using
Convolutional Neural Networks for Cancer Detection [9.826027427965354]
近年の進歩により、畳み込みニューラルネットワーク(CNN)アーキテクチャは乳がん検出のためのコンピュータ支援診断(CAD)システムの設計に利用できることが示されている。
乳腺病理像の2値分類のためのCNNモデルについて検討した。
我々は,200倍,400倍に拡大した病理像に対して,トレーニング済みのCNNネットワークを利用可能なBreaKHisデータセットで検証した。
論文 参考訳(メタデータ) (2022-01-04T03:09:40Z) - Performance or Trust? Why Not Both. Deep AUC Maximization with
Self-Supervised Learning for COVID-19 Chest X-ray Classifications [72.52228843498193]
ディープラーニングモデルのトレーニングでは、パフォーマンスと信頼の間に妥協をしなければなりません。
本研究は、新型コロナウイルス患者のコンピュータ支援スクリーニングのための自己教師型学習と新しい代理損失を統合したものである。
論文 参考訳(メタデータ) (2021-12-14T21:16:52Z) - Deep CNNs for Peripheral Blood Cell Classification [0.0]
我々は、顕微鏡的末梢血細胞画像データセットに基づいて、27の人気の深層畳み込みニューラルネットワークアーキテクチャをベンチマークした。
血液細胞分類のためのImageNetデータセットに事前トレーニングされた最先端画像分類モデルを微調整する。
論文 参考訳(メタデータ) (2021-10-18T17:56:07Z) - 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) - TE-YOLOF: Tiny and efficient YOLOF for blood cell detection [26.463853328783962]
顕微鏡画像における血液細胞検出は、医用画像処理研究の不可欠な分野である。
本研究では, 赤血球, 白血球, 血小板などの血液細胞物体を検出するために, YOLOFに基づく物体検出法が提案されている。
効率性と柔軟性を向上させるため、提案したオブジェクト検出器のバックボーンとして、EfficientNet Convolutional Neural Networkが使用される。
論文 参考訳(メタデータ) (2021-08-27T14:45:27Z) - A Data and Compute Efficient Design for Limited-Resources Deep Learning [68.55415606184]
同変ニューラルネットワークは 深層学習コミュニティへの関心を高めています
医療分野では、データの対称性を効果的に活用して、より正確で堅牢なモデルの構築に成功している。
ディープ・ラーニング・ソリューションのモバイル・オン・デバイス実装は医療応用のために開発されている。
しかし、同変モデルは大規模で計算コストのかかるアーキテクチャを用いて一般的に実装されており、モバイルデバイス上では動作しない。
本研究では、MobileNetV2の同変バージョンを設計、テストし、さらにモデル量子化により最適化し、より効率的な推論を可能にする。
論文 参考訳(メタデータ) (2020-04-21T00:49:11Z)
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。