論文の概要: Hybrid Dense-UNet201 Optimization for Pap Smear Image Segmentation Using Spider Monkey Optimization

• arxiv url: http://arxiv.org/abs/2504.12807v1
• Date: Thu, 17 Apr 2025 10:14:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-18 14:38:39.263853
• Title: Hybrid Dense-UNet201 Optimization for Pap Smear Image Segmentation Using Spider Monkey Optimization
• Title（参考訳）: スパイダーモンキー最適化を用いたパパスミア画像分割のハイブリッドDense-UNet201最適化
• Authors: Ach Khozaimi, Isnani Darti, Syaiful Anam, Wuryansari Muharini Kusumawinahyu,
• Abstract要約: 本研究では,事前学習したDenseNet201をU-Netアーキテクチャのエンコーダとして統合したハイブリッドDense-UNet201最適化手法を提案する。 Dense-UNet201は96.16%のセグメンテーション精度、91.63%のIoU、95.63%のDice係数スコアを達成した。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Pap smear image segmentation is crucial for cervical cancer diagnosis. However, traditional segmentation models often struggle with complex cellular structures and variations in pap smear images. This study proposes a hybrid Dense-UNet201 optimization approach that integrates a pretrained DenseNet201 as the encoder for the U-Net architecture and optimizes it using the spider monkey optimization (SMO) algorithm. The Dense-UNet201 model excelled at feature extraction. The SMO was modified to handle categorical and discrete parameters. The SIPaKMeD dataset was used in this study and evaluated using key performance metrics, including loss, accuracy, Intersection over Union (IoU), and Dice coefficient. The experimental results showed that Dense-UNet201 outperformed U-Net, Res-UNet50, and Efficient-UNetB0. SMO Dense-UNet201 achieved a segmentation accuracy of 96.16%, an IoU of 91.63%, and a Dice coefficient score of 95.63%. These findings underscore the effectiveness of image preprocessing, pretrained models, and metaheuristic optimization in improving medical image analysis and provide new insights into cervical cell segmentation methods.
• Abstract（参考訳）: 頸部癌診断には乳頭スミア像の分画が不可欠である。 しかし、従来のセグメンテーションモデルは複雑な細胞構造やパップスミア画像のバリエーションに悩まされることが多い。 本研究では,事前学習したDenseNet201をU-Netアーキテクチャのエンコーダとして統合し,クモ猿最適化(SMO)アルゴリズムを用いて最適化するハイブリッドDense-UNet201を提案する。 Dense-UNet201は特徴抽出に優れていた。 SMOは分類的および離散的なパラメータを扱うように修正された。 SIPaKMeDデータセットを用いて、損失、精度、IoU(Intersection over Union)、Dice係数などの主要なパフォーマンス指標を用いて評価を行った。 実験の結果,Dense-UNet201はU-Net,Res-UNet50,Efficient-UNetB0より優れていた。 SMO Dense-UNet201は96.16%のセグメンテーション精度、91.63%のIoU、95.63%のDice係数スコアを達成した。 これらの結果は, 画像前処理, トレーニング済みモデル, メタヒューリスティック最適化の医療画像解析改善効果と頚椎細胞分節法に対する新たな知見を裏付けるものである。

関連論文リスト

• Improving the U-Net Configuration for Automated Delineation of Head and Neck Cancer on MRI [0.0]
  MRIにおける腫瘍体積のセグメンテーションは困難で時間を要するプロセスである。 本研究は,頭部および頸部腫瘍のMRI画像における自動デライン化へのアプローチを示す。 本研究の目的は,医学的セグメンテーションタスクで一般的に使用される構成の改善を提案することである。
  論文  参考訳（メタデータ） (2025-01-09T10:22:35Z)
• Handling Geometric Domain Shifts in Semantic Segmentation of Surgical RGB and Hyperspectral Images [67.66644395272075]
  本稿では,幾何学的アウト・オブ・ディストリビューションデータに直面する場合の,最先端のセマンティックセマンティックセマンティクスモデルの最初の解析を行う。 本稿では, 汎用性を高めるために, 有機移植(Organ Transplantation)と呼ばれる拡張技術を提案する。 我々の拡張技術は、RGBデータに対して最大67%、HSIデータに対して90%のSOAモデル性能を改善し、実際のOODテストデータに対して、分配内パフォーマンスのレベルでのパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-08-27T19:13:15Z)
• TotalSegmentator MRI: Robust Sequence-independent Segmentation of Multiple Anatomic Structures in MRI [59.86827659781022]
  nnU-Netモデル(TotalSegmentator)をMRIおよび80原子構造で訓練した。 予測されたセグメンテーションと専門家基準セグメンテーションとの間には,ディススコアが算出され,モデル性能が評価された。 オープンソースで使いやすいモデルは、80構造の自動的で堅牢なセグメンテーションを可能にする。
  論文  参考訳（メタデータ） (2024-05-29T20:15:54Z)
• Comparative Analysis of Image Enhancement Techniques for Brain Tumor Segmentation: Contrast, Histogram, and Hybrid Approaches [0.0]
  この研究は、画像強調技術が畳み込みニューラルネットワーク(CNN)ベースの脳腫瘍に与える影響を系統的に研究した。 CNNベースのU-Netアーキテクチャ、トレーニング、検証プロセスの詳細な分析を行う。 比較分析は、精度、損失、MSE、IoU、DSCといったメトリクスを利用しており、ハイブリッドアプローチのCLAHE-HEは、他よりも一貫して優れています。
  論文  参考訳（メタデータ） (2024-04-08T09:27:42Z)
• Attention and Pooling based Sigmoid Colon Segmentation in 3D CT images [11.861208424384046]
  シグモイド結腸は憩室炎を治療するための重要な側面である。 本研究はCT画像からシグモイド結腸を抽出するための新しいディープラーニングアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-09-25T04:52:46Z)
• 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)
• Comparative analysis of deep learning approaches for AgNOR-stained cytology samples interpretation [52.77024349608834]
  本稿では, 深層学習手法を用いて, 好気性ヌクレオラオーガナイザ領域 (AgNOR) 染色スライダを解析する方法を提案する。 以上の結果から,バックボーンとしてResNet-18やResNet-34を用いたU-Netを用いたセマンティックセマンティックセマンティックセマンティクスは類似した結果を示す。 最も優れたモデルは、それぞれ0.83、0.92、0.99の核、クラスター、衛星のIoUを示す。
  論文  参考訳（メタデータ） (2022-10-19T15:15:32Z)
• Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
  本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。 提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
  論文  参考訳（メタデータ） (2022-02-22T15:24:06Z)
• Distribution-aware Margin Calibration for Semantic Segmentation in Images [78.65312390695038]
  ジャカードインデックス(ジャカードインデックス、Intersection-over-Union、IoU)は、画像セマンティックセグメンテーションにおいて最も重要な評価指標の一つである。 IoUスコアの直接最適化は非常に困難である。 学習目的として直接使用できるマージン校正法を提案し,データ分散に対するIoUの一般化を改良する。
  論文  参考訳（メタデータ） (2021-12-21T22:38:25Z)
• Metastatic Cancer Image Classification Based On Deep Learning Method [7.832709940526033]
  画像分類におけるディープラーニングアルゴリズム, DenseNet169 フレームワーク, Rectified Adam 最適化アルゴリズムを併用したNoval法を提案する。 我々のモデルは、Vgg19、Resnet34、Resnet50のような他の古典的畳み込みニューラルネットワークアプローチよりも優れた性能を実現する。
  論文  参考訳（メタデータ） (2020-11-13T16:04:39Z)

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。