論文の概要: Improving Sickle Cell Disease Classification: A Fusion of Conventional Classifiers, Segmented Images, and Convolutional Neural Networks

• arxiv url: http://arxiv.org/abs/2412.17975v1
• Date: Mon, 23 Dec 2024 20:42:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-25 15:56:52.593650
• Title: Improving Sickle Cell Disease Classification: A Fusion of Conventional Classifiers, Segmented Images, and Convolutional Neural Networks
• Title（参考訳）: シックル細胞病の分類を改善する: 従来の分類法, 分割画像, 畳み込みニューラルネットワークの融合
• Authors: Victor Júnio Alcântara Cardoso, Rodrigo Moreira, João Fernando Mari, Larissa Ferreira Rodrigues Moreira,
• Abstract要約: 本稿では, 従来の分類器, セグメント化画像, CNNを併用して, 病原細胞疾患の自動分類を行う手法を提案する。 以上の結果から,SVMを用いたセグメント画像とCNN機能を用いることで96.80%の精度が得られた。
• 参考スコア（独自算出の注目度）: 0.31457219084519006
• License:
• Abstract: Sickle cell anemia, which is characterized by abnormal erythrocyte morphology, can be detected using microscopic images. Computational techniques in medicine enhance the diagnosis and treatment efficiency. However, many computational techniques, particularly those based on Convolutional Neural Networks (CNNs), require high resources and time for training, highlighting the research opportunities in methods with low computational overhead. In this paper, we propose a novel approach combining conventional classifiers, segmented images, and CNNs for the automated classification of sickle cell disease. We evaluated the impact of segmented images on classification, providing insight into deep learning integration. Our results demonstrate that using segmented images and CNN features with an SVM achieves an accuracy of 96.80%. This finding is relevant for computationally efficient scenarios, paving the way for future research and advancements in medical-image analysis.
• Abstract（参考訳）: 異常赤血球形態を特徴とするシックル細胞貧血は、顕微鏡画像を用いて検出できる。 医学における計算技術は診断と治療の効率を高める。 しかし、多くの計算技術、特に畳み込みニューラルネットワーク(CNN)に基づくものは、高いリソースと訓練時間を必要とし、計算オーバーヘッドの少ない手法の研究機会を強調している。 本稿では, 従来の分類器, 分割画像, CNNを併用して, 病原体の自動分類を行う手法を提案する。 分割画像が分類に与える影響を評価し,深層学習の統合について考察した。 以上の結果から,SVMを用いたセグメント画像とCNN機能を用いることで96.80%の精度が得られた。 この発見は計算効率の良いシナリオに関係し、将来の研究と医療画像分析の進歩の道を開く。

関連論文リスト

• Embeddings are all you need! Achieving High Performance Medical Image Classification through Training-Free Embedding Analysis [0.0]
  医療画像のための人工知能(AI)と機械学習(ML)モデルの開発は通常、大規模なデータセットに対する広範なトレーニングとテストを含む。 従来の訓練手順を埋め込み型アプローチで置き換える可能性について検討した。
  論文  参考訳（メタデータ） (2024-12-12T16:59:37Z)
• Integrating Preprocessing Methods and Convolutional Neural Networks for Effective Tumor Detection in Medical Imaging [0.0]
  本研究では,畳み込みニューラルネットワーク(CNN)を用いた医用画像における腫瘍検出のための機械学習手法を提案する。 本研究は,腫瘍検出に関連する画像の特徴を高めるための前処理技術に焦点を当て,CNNモデルの開発と訓練を行った。 医用画像中の腫瘍を正確に検出する手法の有効性を実験的に検証した。
  論文  参考訳（メタデータ） (2024-02-25T23:49:05Z)
• Affine-Consistent Transformer for Multi-Class Cell Nuclei Detection [76.11864242047074]
  本稿では, 原子核位置を直接生成する新しいアフィン一貫性変換器 (AC-Former) を提案する。 本稿では,AAT (Adaptive Affine Transformer) モジュールを導入し,ローカルネットワークトレーニングのためのオリジナル画像をワープするための重要な空間変換を自動学習する。 実験結果から,提案手法は様々なベンチマークにおいて既存の最先端アルゴリズムを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2023-10-22T02:27:02Z)
• 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)
• Machine learning based biomedical image processing for echocardiographic images [0.0]
  提案手法では,K-Nearest Neighbor (KNN) アルゴリズムを用いて医用画像のセグメンテーションを行う。 トレーニングされたニューラルネットワークは、エコー画像のグループで正常にテストされている。
  論文  参考訳（メタデータ） (2023-03-16T06:23:43Z)
• Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
  大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。 本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
  論文  参考訳（メタデータ） (2022-05-08T15:29:54Z)
• 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)
• 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)
• Cells are Actors: Social Network Analysis with Classical ML for SOTA Histology Image Classification [1.4806818833792859]
  本稿では,組織マイクロ環境の複雑な構造を記述するために,統計ネットワーク解析手法を提案する。 ネットワーク内の細胞間の相互作用のみを解析することにより、CRAグレーディングのための高度に識別可能な統計的特徴を抽出できることが示される。 我々は,広帯域CRCヒストロジー画像データセット上にセルネットワークを作成し,提案手法を実験し,三クラスCRAグレーディングの予測のための最先端性能を報告した。
  論文  参考訳（メタデータ） (2021-06-29T12:22:10Z)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)

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。