論文の概要: PS3C: An Ensemble-Based Two-Step Framework for Classification of Pep Smear Cell Images

• arxiv url: http://arxiv.org/abs/2503.10312v1
• Date: Thu, 13 Mar 2025 12:46:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-14 15:51:24.674352
• Title: PS3C: An Ensemble-Based Two-Step Framework for Classification of Pep Smear Cell Images
• Title（参考訳）: PS3C:ペップスミア細胞画像の分類のためのアンサンブルベースの2ステップフレームワーク
• Authors: Theo Di Piazza, Loic Boussel,
• Abstract要約: Pep Smear Cell Classification Challenge (PS3C)は2025年にI SBIと共同で設立された。 本研究の目的は,スミア画像の自動分類ツールの開発を促進することである。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Early detection of cervical cancer is crucial for improving patient outcomes and reducing mortality by identifying precancerous lesions as soon as possible. As a result, the use of pap smear screening has significantly increased, leading to a growing demand for automated tools that can assist cytologists managing their rising workload. To address this, the Pep Smear Cell Classification Challenge (PS3C) has been organized in association with ISBI in 2025. This project aims to promote the development of automated tools for pep smear images classification. The analyzed images are grouped into four categories: healthy, unhealthy, both, and rubbish images which are considered as unsuitable for diagnosis. In this work, we propose a two-stage ensemble approach: first, a neural network determines whether an image is rubbish or not. If not, a second neural network classifies the image as containing a healthy cell, an unhealthy cell, or both.
• Abstract（参考訳）: 子宮頸癌の早期発見は, 早期発見による患者の予後の向上と死亡率の低下に不可欠である。 その結果,papスミアスクリーニングの利用が著しく増加し,細胞学者が作業負荷の増大を管理するための自動化ツールの需要が高まった。 これを解決するために、2025年にISBIと連携してPep Smear Cell Classification Challenge (PS3C)が組織された。 本研究の目的は,スミア画像の自動分類ツールの開発を促進することである。 解析された画像は、健康、不健康、両方の2つのカテゴリに分類され、診断には適さないと考えられている。 本研究では,まず,ニューラルネットワークが画像がゴミであるか否かを判断する2段階のアンサンブル手法を提案する。 もしそうでなければ、第2のニューラルネットワークは、イメージを健康な細胞、不健康な細胞、またはその両方を含むものとして分類する。

関連論文リスト

• BlurryScope: a cost-effective and compact scanning microscope for automated HER2 scoring using deep learning on blurry image data [0.0]
  ブルリスコープ(BlurryScope)は、組織部位の自動検査・解析のための費用効率が高くコンパクトなソリューションである。 BlurryScopeは、特殊なハードウェアとニューラルネットワークベースのモデルを統合して、モーションレッドな組織像を処理する。
  論文  参考訳（メタデータ） (2024-10-23T04:46:36Z)
• Skin Lesion Diagnosis Using Convolutional Neural Networks [0.30458514384586394]
  本研究の目的は,様々な分野から画像分類のための最先端技術を収集し,この問題に対処することである。 モデルは8012画像のデータセットを用いて訓練され、その性能は2003画像を用いて評価された。 このモデルは、手作りの機能抽出を必要とせずに、イメージからラベルに直接、エンドツーエンドでトレーニングされています。
  論文  参考訳（メタデータ） (2023-05-18T17:15:08Z)
• Cross-modulated Few-shot Image Generation for Colorectal Tissue Classification [58.147396879490124]
  XM-GANと名づけられた少数ショット生成法は,1塩基と1対の参照組織像を入力とし,高品質で多様な画像を生成する。 我々の知る限りでは、大腸組織像の少数ショット生成を最初に調査した人物である。
  論文  参考訳（メタデータ） (2023-04-04T17:50:30Z)
• LesionAid: Vision Transformers-based Skin Lesion Generation and Classification [0.0]
  本研究では,ViTとViTGANに基づいて皮膚病変を分類する新しいマルチクラス予測フレームワークを提案する。 フレームワークは、ViTGAN、画像処理、説明可能なAIの4つの主要なフェーズで構成されている。
  論文  参考訳（メタデータ） (2023-02-02T13:52:54Z)
• PCRLv2: A Unified Visual Information Preservation Framework for Self-supervised Pre-training in Medical Image Analysis [56.63327669853693]
  本稿では,ピクセルレベルの情報を高レベルなセマンティクスに明示的にエンコードするための画素復元タスクを提案する。 また,画像理解を支援する強力なツールであるスケール情報の保存についても検討する。 提案されている統合SSLフレームワークは、さまざまなタスクで自己管理されたフレームワークを超越している。
  論文  参考訳（メタデータ） (2023-01-02T17:47:27Z)
• Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
  そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。 医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。 BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2022-03-29T08:41:17Z)
• Predi\c{c}\~ao da Idade Cerebral a partir de Imagens de Resson\^ancia Magn\'etica utilizando Redes Neurais Convolucionais [57.52103125083341]
  磁気共鳴画像を用いた脳年齢予測のための深層学習手法について検討した。 バイオマーカーの同定は、早期の神経変性過程の検出、および年齢または非年齢に関する認知低下の予測に有用である。 最も優れた結果は、平均絶対誤差3.83年を達成した2Dモデルによって得られた。
  論文  参考訳（メタデータ） (2021-12-23T14:51:45Z)
• Ensemble of CNN classifiers using Sugeno Fuzzy Integral Technique for Cervical Cytology Image Classification [1.6986898305640261]
  頸がんの単細胞画像とスライド画像の分類を完全自動化するコンピュータ支援診断ツールを提案する。 我々は、Sugeno Fuzzy Integralを使用して、Inception v3、DenseNet-161、ResNet-34という3つの人気のあるディープラーニングモデルの意思決定スコアをアンサンブルする。
  論文  参考訳（メタデータ） (2021-08-21T08:41:41Z)
• 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)
• Malignancy Prediction and Lesion Identification from Clinical Dermatological Images [65.1629311281062]
  臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。 まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
  論文  参考訳（メタデータ） (2021-04-02T20:52:05Z)
• C-Net: A Reliable Convolutional Neural Network for Biomedical Image Classification [6.85316573653194]
  生体医用画像の分類を行うために,C-Netと呼ばれる複数のネットワークの結合からなる新しい畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。 C-Netモデルは、両方のデータセットの個々のメトリクスにおける他のモデルよりも優れており、誤分類はゼロである。
  論文  参考訳（メタデータ） (2020-10-30T20:03:20Z)

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。