論文の概要: ADNF-Clustering: An Adaptive and Dynamic Neuro-Fuzzy Clustering for Leukemia Prediction
- arxiv url: http://arxiv.org/abs/2506.18396v1
- Date: Mon, 23 Jun 2025 08:30:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-24 19:06:36.907794
- Title: ADNF-Clustering: An Adaptive and Dynamic Neuro-Fuzzy Clustering for Leukemia Prediction
- Title（参考訳）: ADNF-Clustering: 白血病予測のための適応的で動的神経ファジィクラスタリング
- Authors: Marco Aruta, Ciro Listone, Giuseppe Murano, Aniello Murano,
- Abstract要約: 本稿では、畳み込みニューラルネットワークに基づく特徴抽出とオンラインファジィクラスタリングエンジンを組み合わせた、新しいストリーミング対応フレームワークであるAdaptive and Dynamic Neuro-Fuzzy Clusteringを紹介する。
C-NMC 白血病顕微鏡データセットでは, シルエットスコア0.51を達成し, 静的塩基性よりも優れた凝集度と分離性を示した。
- 参考スコア（独自算出の注目度）: 4.43233586255351
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Leukemia diagnosis and monitoring rely increasingly on high-throughput image data, yet conventional clustering methods lack the flexibility to accommodate evolving cellular patterns and quantify uncertainty in real time. We introduce Adaptive and Dynamic Neuro-Fuzzy Clustering, a novel streaming-capable framework that combines Convolutional Neural Network-based feature extraction with an online fuzzy clustering engine. ADNF initializes soft partitions via Fuzzy C-Means, then continuously updates micro-cluster centers, densities, and fuzziness parameters using a Fuzzy Temporal Index (FTI) that measures entropy evolution. A topology refinement stage performs density-weighted merging and entropy-guided splitting to guard against over- and under-segmentation. On the C-NMC leukemia microscopy dataset, our tool achieves a silhouette score of 0.51, demonstrating superior cohesion and separation over static baselines. The method's adaptive uncertainty modeling and label-free operation hold immediate potential for integration within the INFANT pediatric oncology network, enabling scalable, up-to-date support for personalized leukemia management.
- Abstract（参考訳）: 白血病の診断とモニタリングは、高スループットの画像データにますます依存しているが、従来のクラスタリング手法では、進化する細胞パターンに適応し、リアルタイムで不確実性を定量化する柔軟性が欠如している。
本稿では、畳み込みニューラルネットワークに基づく特徴抽出とオンラインファジィクラスタリングエンジンを組み合わせた、新しいストリーミング対応フレームワークであるAdaptive and Dynamic Neuro-Fuzzy Clusteringを紹介する。
ADNFはファジィC平均を介してソフトパーティションを初期化し、エントロピー進化を測定するファジィテンポラル指数(FTI)を使用して、マイクロクラスタセンター、密度、ファジィパラメータを継続的に更新する。
トポロジーリファインメントステージは、密度重み付けマージとエントロピー誘導スプリットを行い、過分と過分を防ぎます。
C-NMC 白血病顕微鏡データセットでは, シルエットスコア0.51を達成し, 静的塩基性よりも優れた凝集度と分離性を示した。
この手法の適応的不確実性モデリングとラベルフリー操作は、INANT小児腫瘍学ネットワークへの統合の即時可能性を保持し、パーソナライズされた白血病管理のためのスケーラブルで最新のサポートを可能にする。
関連論文リスト
- STG: Spatiotemporal Graph Neural Network with Fusion and Spatiotemporal Decoupling Learning for Prognostic Prediction of Colorectal Cancer Liver Metastasis [9.511932098831322]
大腸癌肝転移(KCCM)を予測するためのマルチモーダル時間グラフニューラルネットワーク(STG)フレームワークを提案する。
我々のSTGフレームワークはCT画像と臨床データをヘテロジニアスグラフ構造に結合し,腫瘍分布エッジの同時モデリングと時間的進化を可能にする。
軽量版ではパラメータ数を78.55%削減し、最先端の性能を維持している。
論文 参考訳（メタデータ） (2025-05-06T02:41:34Z) - ClusMFL: A Cluster-Enhanced Framework for Modality-Incomplete Multimodal Federated Learning in Brain Imaging Analysis [28.767460351377462]
脳画像解析の文脈では、モダリティの不完全性は重要な課題である。
本稿では,機能クラスタリングを利用した新しいMFLフレームワークであるClusMFLを提案する。
ClusMFLは、様々なモダリティの不完全性のレベルにまたがる様々なベースライン手法と比較して、最先端の性能を達成する。
論文 参考訳（メタデータ） (2025-02-14T09:33:59Z) - Multimodal Outer Arithmetic Block Dual Fusion of Whole Slide Images and Omics Data for Precision Oncology [6.418265127069878]
本稿では, 局所(パッチレベル)から大域(スライダーレベル)の相互作用の相補的な情報を取得するために, 早期・後期融合におけるオミック埋め込みの利用を提案する。
この二重融合戦略は、解釈可能性と分類性能を高め、臨床診断の可能性を強調している。
論文 参考訳（メタデータ） (2024-11-26T13:25:53Z) - DA-Flow: Dual Attention Normalizing Flow for Skeleton-based Video Anomaly Detection [52.74152717667157]
本稿では,DAM(Dual Attention Module)と呼ばれる軽量モジュールを提案する。
フレームアテンション機構を使用して、最も重要なフレームを識別し、スケルトンアテンション機構を使用して、最小パラメータとフロップで固定されたパーティション間の広範な関係をキャプチャする。
論文 参考訳（メタデータ） (2024-06-05T06:18:03Z) - Learning Multiscale Consistency for Self-supervised Electron Microscopy
Instance Segmentation [48.267001230607306]
本稿では,EMボリュームのマルチスケール一貫性を高める事前学習フレームワークを提案する。
当社のアプローチでは,強力なデータ拡張と弱いデータ拡張を統合することで,Siameseネットワークアーキテクチャを活用している。
効果的にボクセルと機能の一貫性をキャプチャし、EM分析のための転送可能な表現を学習する。
論文 参考訳（メタデータ） (2023-08-19T05:49:13Z) - Influence Estimation and Maximization via Neural Mean-Field Dynamics [60.91291234832546]
本稿では,ニューラル平均場(NMF)ダイナミクスを用いた新しい学習フレームワークを提案する。
我々のフレームワークは拡散ネットワークの構造とノード感染確率の進化を同時に学習することができる。
論文 参考訳（メタデータ） (2021-06-03T00:02:05Z) - Statistical control for spatio-temporal MEG/EEG source imaging with
desparsified multi-task Lasso [102.84915019938413]
脳磁図(MEG)や脳電図(EEG)のような非侵襲的手法は、非侵襲的手法を約束する。
ソースローカライゼーション(ソースイメージング)の問題は、しかしながら、高次元の統計的推測問題を引き起こす。
この問題に対処するために,分離されたマルチタスクラッソ(ecd-MTLasso)のアンサンブルを提案する。
論文 参考訳（メタデータ） (2020-09-29T21:17:16Z) - Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。
本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。
我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
論文 参考訳（メタデータ） (2020-06-16T18:45:20Z)
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。