論文の概要: Acute Lymphoblastic Leukemia Diagnosis Employing YOLOv11, YOLOv8, ResNet50, and Inception-ResNet-v2 Deep Learning Models

• arxiv url: http://arxiv.org/abs/2502.09804v1
• Date: Thu, 13 Feb 2025 22:43:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-17 14:48:10.468704
• Title: Acute Lymphoblastic Leukemia Diagnosis Employing YOLOv11, YOLOv8, ResNet50, and Inception-ResNet-v2 Deep Learning Models
• Title（参考訳）: YOLOv11, YOLOv8, ResNet50, およびinception-ResNet-v2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診断
• Authors: Alaa Awad, Salah A. Aly,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Thousands of individuals succumb annually to leukemia alone. As artificial intelligence-driven technologies continue to evolve and advance, the question of their applicability and reliability remains unresolved. This study aims to utilize image processing and deep learning methodologies to achieve state-of-the-art results for the detection of Acute Lymphoblastic Leukemia (ALL) using data that best represents real-world scenarios. ALL is one of several types of blood cancer, and it is an aggressive form of leukemia. In this investigation, we examine the most recent advancements in ALL detection, as well as the latest iteration of the YOLO series and its performance. We address the question of whether white blood cells are malignant or benign. Additionally, the proposed models can identify different ALL stages, including early stages. Furthermore, these models can detect hematogones despite their frequent misclassification as ALL. By utilizing advanced deep learning models, namely, YOLOv8, YOLOv11, ResNet50 and Inception-ResNet-v2, the study achieves accuracy rates as high as 99.7%, 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。 人工知能駆動技術は進化と進歩を続けており、その適用性と信頼性に関する問題は未解決のままである。 本研究では,リアルタイムのシナリオを最もよく表すデータを用いて,画像処理とディープラーニング手法を用いて急性リンパ性白血病(ALL)の検出を行う。 ALLはいくつかのタイプの血液がんの1つで、白血病の攻撃的な形態である。 本研究は、最近のALL検出の進歩と、YOLOシリーズの最新版とその性能について検討する。 白血球が悪性か良性かという問題に対処する。 さらに、提案したモデルでは、早期を含む様々なALLステージを識別できる。 さらにこれらのモデルは、頻繁にALLと誤分類されているにもかかわらず、ヘマトゴンを検出することができる。 YOLOv8、YOLOv11、ResNet50、Inception-ResNet-v2といった先進的なディープラーニングモデルを利用することで、この研究は、複数のデータセットと様々な実世界の状況におけるこれらのアルゴリズムの有効性を実証し、99.7%の精度を達成する。

関連論文リスト

• Detection and Classification of Acute Lymphoblastic Leukemia Utilizing Deep Transfer Learning [0.0]
  本研究は, 白血病を4段階にわたって診断するための新しいアプローチを提案する。 我々は2つの畳み込みニューラルネットワーク(CNN)モデルを,頭とカスタムモデルを備えたMobileNetV2として採用した。 カスタムモデルは98.6%の精度を達成し、MobileNetV2は99.69%の精度を達成した。
  論文  参考訳（メタデータ） (2025-01-24T04:16:03Z)
• Transforming Blood Cell Detection and Classification with Advanced Deep Learning Models: A Comparative Study [2.3942577670144423]
  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。
  論文  参考訳（メタデータ） (2024-10-21T06:23:13Z)
• 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)
• Early Diagnosis of Acute Lymphoblastic Leukemia Using YOLOv8 and YOLOv11 Deep Learning Models [0.0]
  重篤な血液型である白血病は、毎年数千人の命が失われている。 本研究は,高度画像処理と深層学習技術を用いた急性リンパ芽球性白血病(ALL)の検出に焦点を当てた。
  論文  参考訳（メタデータ） (2024-10-14T16:42:07Z)
• 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)
• USIM-DAL: Uncertainty-aware Statistical Image Modeling-based Dense Active Learning for Super-resolution [47.38982697349244]
  デンス回帰(Dense regression)は、画像の超解像、エンハンスメント、深さ推定などのタスクのためのコンピュータビジョンで広く使われているアプローチである。 この問題に対処するために,能動学習を高密度回帰モデルに組み込むことを提案する。 アクティブな学習により、モデルはラベル付けのための最も有益なサンプルを選択し、全体的なアノテーションコストを削減し、パフォーマンスを向上させることができる。
  論文  参考訳（メタデータ） (2023-05-27T16:33:43Z)
• A Meta-GNN approach to personalized seizure detection and classification [53.906130332172324]
  本稿では,特定の患者に限られた発作サンプルから迅速に適応できるパーソナライズされた発作検出・分類フレームワークを提案する。 トレーニング患者の集合からグローバルモデルを学ぶメタGNNベースの分類器を訓練する。 本手法は, 未確認患者20回に限って, 精度82.7%, F1スコア82.08%を達成し, ベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2022-11-01T14:12:58Z)
• 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)
• 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)
• Acute Lymphoblastic Leukemia Detection from Microscopic Images Using Weighted Ensemble of Convolutional Neural Networks [4.095759108304108]
  本稿では,深層畳み込みニューラルネットワーク(cnns)を用いた顕微鏡細胞画像からの全検出タスクを自動化した。 ネットワークのより優れた一般化を達成するために、様々なデータ拡張と前処理が組み込まれている。 提案する重み付きアンサンブルモデルでは, アンサンブル候補のカッパ値を重みとして, 重み付きF1スコア88.6 %, バランス付き精度86.2 %, 予備試験セットのAUC0.941を出力した。
  論文  参考訳（メタデータ） (2021-05-09T18:58:48Z)
• 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。