論文の概要: Comparative Analysis of Machine Learning and Deep Learning Models for Classifying Squamous Epithelial Cells of the Cervix

• arxiv url: http://arxiv.org/abs/2411.13535v1
• Date: Wed, 20 Nov 2024 18:37:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-21 16:09:52.540318
• Title: Comparative Analysis of Machine Learning and Deep Learning Models for Classifying Squamous Epithelial Cells of the Cervix
• Title（参考訳）: 頸部扁平上皮細胞分類のための機械学習モデルとディープラーニングモデルの比較解析
• Authors: Subhasish Das, Satish K Panda, Madhusmita Sethy, Prajna Paramita Giri, Ashwini K Nanda,
• Abstract要約: 現在のPapスミア分析法は、手動、時間的、労働集約的で、人的ミスの危険性が高い。 本研究では,パパスミア画像中の細胞を表層中間体,傍基底細胞,コア細胞,ジスケラトシス,メタ可塑性の5つのカテゴリに分類することを目的とした。 この分類には、Gradient Boosting、Random Forest、Support Vector Machine、k-Nearest Neighborといった機械学習アルゴリズムが使用されている。
• 参考スコア（独自算出の注目度）: 0.7119794757408745
• License:
• Abstract: The cervix is the narrow end of the uterus that connects to the vagina in the female reproductive system. Abnormal cell growth in the squamous epithelial lining of the cervix leads to cervical cancer in females. A Pap smear is a diagnostic procedure used to detect cervical cancer by gently collecting cells from the surface of the cervix with a small brush and analyzing their changes under a microscope. For population-based cervical cancer screening, visual inspection with acetic acid is a cost-effective method with high sensitivity. However, Pap smears are also suitable for mass screening due to their higher specificity. The current Pap smear analysis method is manual, time-consuming, labor-intensive, and prone to human error. Therefore, an artificial intelligence (AI)-based approach for automatic cell classification is needed. In this study, we aimed to classify cells in Pap smear images into five categories: superficial-intermediate, parabasal, koilocytes, dyskeratotic, and metaplastic. Various machine learning (ML) algorithms, including Gradient Boosting, Random Forest, Support Vector Machine, and k-Nearest Neighbor, as well as deep learning (DL) approaches like ResNet-50, were employed for this classification task. The ML models demonstrated high classification accuracy; however, ResNet-50 outperformed the others, achieving a classification accuracy of 93.06%. This study highlights the efficiency of DL models for cell-level classification and their potential to aid in the early diagnosis of cervical cancer from Pap smear images.
• Abstract（参考訳）: 子宮頸部は子宮の狭い端であり、女性の生殖系において血管に接続する。 子宮頸部扁平上皮における異常な細胞増殖は、女性の子宮頸癌を引き起こす。 パパ・スミア(英: Pap smear)は、子宮頸部の表面から小さなブラシで細胞を優雅に採取し、顕微鏡でそれらの変化を分析して子宮頸がんを検出するための診断法である。 人口ベース頸部がん検診では、酢酸を用いた視覚検査は高感度で費用対効果が高い方法である。 しかし、パップスミアはより特異性が高いためマススクリーニングにも適している。 現在のPapスミア分析法は、手作業、時間消費、労働集約、人的ミスの傾向である。 したがって、自動細胞分類のための人工知能(AI)ベースのアプローチが必要である。 本研究では,パパスミア画像中の細胞を表層中間体,傍基底細胞,コア細胞,ジスケラトシス,メタ可塑性の5つのカテゴリに分類することを目的とした。 Gradient Boosting、Random Forest、Support Vector Machine、k-Nearest Neighborといった機械学習(ML)アルゴリズムや、ResNet-50のようなディープラーニング(DL)アプローチがこの分類タスクに採用された。 MLモデルは高い分類精度を示したが、ResNet-50は他のモデルよりも優れ、分類精度は93.06%に達した。 本研究は,細胞レベルでの分類におけるDLモデルの効率と,乳頭癌の早期診断に役立つ可能性を明らかにする。

関連論文リスト

• CerviXpert: A Multi-Structural Convolutional Neural Network for Predicting Cervix Type and Cervical Cell Abnormalities [0.05869347864780635]
  子宮頸癌は、世界中の女性のがん関連死亡の主な原因である。 パパ・スミアや頚椎生検のような伝統的な診断法は、細胞学の専門知識に大きく依存している。 本研究では,CerviXpertについて紹介する。CerviXpertは,頚椎型を効率よく分類し,頸部細胞異常を検出するように設計された多構造畳み込みニューラルネットワークモデルである。
  論文  参考訳（メタデータ） (2024-09-10T05:08:26Z)
• Cervical Cancer Detection Using Multi-Branch Deep Learning Model [0.6249768559720121]
  本研究では,MHSA (Multi-Head Self-Attention) と畳み込みニューラルネットワーク (CNN) を用いた頚部癌の画像分類の自動化手法を提案する。 我々のモデルは98.522%の顕著な精度を達成し、他の医療画像認識タスクに適用可能であることを約束している。
  論文  参考訳（メタデータ） (2024-08-20T02:44:48Z)
• CerviFormer: A Pap-smear based cervical cancer classification method using cross attention and latent transformer [0.1529342790344802]
  そこで本研究では, 頚部癌に対する経気道的アプローチを用いて, 頚部癌を診断する手法を提案する。 このモデルはクロスアテンション技術を用いて、入力データをコンパクトな潜在トランスフォーマーモジュールに繰り返し統合する。 提案手法は,乳頭部画像における頸部癌検出のための包括的分類モデルを提供する。
  論文  参考訳（メタデータ） (2023-03-17T19:34:54Z)
• A Pathologist-Informed Workflow for Classification of Prostate Glands in Histopathology [62.997667081978825]
  病理学者は、ガラススライド上の針生検の組織を調べて前立腺がんを診断し、診断する。 がんの重症度と転移リスクは、前立腺の組織と形態に基づくスコアであるGleason gradeによって決定される。 本稿では,病理学者のtextitmodus operandi に従って,個々の腺のマルチスケールパッチを分離・分類する自動ワークフローを提案する。
  論文  参考訳（メタデータ） (2022-09-27T14:08:19Z)
• CVM-Cervix: A Hybrid Cervical Pap-Smear Image Classification Framework Using CNN, Visual Transformer and Multilayer Perceptron [34.179030555958654]
  本稿では, 深層学習に基づくCVM-Cervixというフレームワークを提案する。 パップスライドを迅速かつ正確に分析することができる。
  論文  参考訳（メタデータ） (2022-06-02T10:16:07Z)
• Multi-Scale Hybrid Vision Transformer for Learning Gastric Histology: AI-Based Decision Support System for Gastric Cancer Treatment [50.89811515036067]
  胃内視鏡検査は、早期に適切な胃癌(GC)治療を判定し、GC関連死亡率を低下させる有効な方法である。 本稿では,一般のGC治療指導と直接一致する5つのGC病理のサブ分類を可能にする実用的なAIシステムを提案する。
  論文  参考訳（メタデータ） (2022-02-17T08:33:52Z)
• Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based Sparse PCA Network [93.22587316229954]
  ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。 我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
  論文  参考訳（メタデータ） (2021-10-27T19:28:36Z)
• Multi-Scale Input Strategies for Medulloblastoma Tumor Classification using Deep Transfer Learning [59.30734371401316]
  乳腺芽腫は小児で最も多い悪性脳腫瘍である。 CNNはMBサブタイプ分類に有望な結果を示した。 タイルサイズと入力戦略の影響について検討した。
  論文  参考訳（メタデータ） (2021-09-14T09:42:37Z)
• 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)
• DeepCervix: A Deep Learning-based Framework for the Classification of Cervical Cells Using Hybrid Deep Feature Fusion Techniques [14.208643185430219]
  女性の中で最も多い致死性癌の1つである頸部がんは、早期に再発性病変を検出するために、定期的な検診によって予防することができる。 手動スクリーニングの実践を改善するため, 機械学習(ML)と深層学習(DL)を用いたコンピュータ支援診断(CAD)システムを用いて, 頚部乳頭細胞の分類を行った。 本研究は, dlに基づくハイブリッド型深部機能融合(hdff)技術を提案し, 頸椎細胞を正確に分類する。
  論文  参考訳（メタデータ） (2021-02-24T10:34:51Z)
• 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)

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。