論文の概要: Transfer Learning with EfficientNet for Accurate Leukemia Cell Classification

• arxiv url: http://arxiv.org/abs/2508.06535v1
• Date: Mon, 04 Aug 2025 03:19:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-12 21:23:28.417922
• Title: Transfer Learning with EfficientNet for Accurate Leukemia Cell Classification
• Title（参考訳）: 正確な白血病細胞分類のための効率的なネットを用いた転写学習
• Authors: Faisal Ahmed,
• Abstract要約: 本研究では,事前訓練された畳み込みニューラルネットワーク(CNN)を用いた伝達学習を用いて診断性能を向上させることを目的とした。 1クラスあたり1万枚の画像のバランスのとれたトレーニングセットを作成するために、広範なデータ拡張手法を適用した。 効率の良いNet-B3は94.30%のF1スコア、92.02%の精度、AUCof94.79%で最高の結果を得た。
• 参考スコア（独自算出の注目度）: 1.5939351525664014
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate classification of Acute Lymphoblastic Leukemia (ALL) from peripheral blood smear images is essential for early diagnosis and effective treatment planning. This study investigates the use of transfer learning with pretrained convolutional neural networks (CNNs) to improve diagnostic performance. To address the class imbalance in the dataset of 3,631 Hematologic and 7,644 ALL images, we applied extensive data augmentation techniques to create a balanced training set of 10,000 images per class. We evaluated several models, including ResNet50, ResNet101, and EfficientNet variants B0, B1, and B3. EfficientNet-B3 achieved the best results, with an F1-score of 94.30%, accuracy of 92.02%, andAUCof94.79%,outperformingpreviouslyreported methods in the C-NMCChallenge. Thesefindings demonstrate the effectiveness of combining data augmentation with advanced transfer learning models, particularly EfficientNet-B3, in developing accurate and robust diagnostic tools for hematologic malignancy detection.
• Abstract（参考訳）: 末梢血スミア画像からの急性リンパ芽球性白血病(ALL)の正確な分類は早期診断および治療計画に不可欠である。 本研究では,事前訓練された畳み込みニューラルネットワーク(CNN)を用いた伝達学習を用いて診断性能を向上させることを目的とした。 我々は,3,631個の血液学的画像と7,644個のALL画像のデータセットにおけるクラス不均衡に対処するために,広範囲なデータ拡張手法を適用し,クラス毎の1万個の画像のバランスの取れたトレーニングセットを作成した。 我々は、ResNet50、ResNet101、EfficientNet variants B0、B1、B3など、いくつかのモデルを評価した。 EfficientNet-B3は94.30%、精度92.02%、AUCof94.79%、C-NMCChallengeで事前報告された手法で最高の結果を得た。 これらのファイリングは、血液学的悪性度検出のための正確で堅牢な診断ツールの開発において、データ拡張と高度な転送学習モデル(特にEfficientNet-B3)を組み合わせる効果を示す。

関連論文リスト

• Addressing High Class Imbalance in Multi-Class Diabetic Retinopathy Severity Grading with Augmentation and Transfer Learning [1.5939351525664014]
  本稿では,2型および5型糖尿病網膜症(DR)分類のための堅牢なディープラーニングフレームワークを提案する。 2値分類では, 99.9%の精度, 98.6%の精度, 99.3%のリコール, 98.9%のF1スコア, 99.4%のAUCが得られた。 より困難な5クラス重度分類タスクでは、84.6%の競合精度と94.1%のAUCが、いくつかの既存手法より優れている。
  論文  参考訳（メタデータ） (2025-07-23T01:52:27Z)
• Breast Tumor Classification Using EfficientNet Deep Learning Model [5.062500255359342]
  我々は、集中的なデータ拡張パイプラインとコスト感受性学習を導入し、表現を改善し、モデルが多数派クラスを過度に好まないことを保証する。 以上の結果より,バイナリ分類性能が著しく向上し,良性症例に対する例外的リコールが向上した。
  論文  参考訳（メタデータ） (2024-11-26T20:38:33Z)
• Classifier Enhanced Deep Learning Model for Erythroblast Differentiation with Limited Data [0.08388591755871733]
  病態と遺伝疾患の1%を含む血液疾患は、重大な診断上の課題を呈している。 本手法では,機械学習モデルの有効性を考慮した各種機械学習設定の評価を行う。 データが利用可能になった場合、提案されたソリューションは、小さくてユニークなデータセットの精度を高めるためのソリューションである。
  論文  参考訳（メタデータ） (2024-11-23T15:51:15Z)
• Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• 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)
• Detection of Large Vessel Occlusions using Deep Learning by Deforming Vessel Tree Segmentations [5.408694811103598]
  この研究は、船体木分割マスクの弾性変形で訓練されたケースレベルの分類に畳み込みニューラルネットワークを使用し、トレーニングデータを人工的に増強する。 ニューラルネットワークは、LVOと影響を受ける半球の存在を分類する。 5倍のクロス検証アブレーション実験において,提案手法を用いることで,少数のデータセットからでも頑健なモデルを訓練できることが実証された。
  論文  参考訳（メタデータ） (2021-12-03T09:07:29Z)
• 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)
• Classification of COVID-19 in CT Scans using Multi-Source Transfer Learning [91.3755431537592]
  我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。 マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。 我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
  論文  参考訳（メタデータ） (2020-09-22T11:53:06Z)

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。