論文の概要: MicroDetect-Net (MDN): Leveraging Deep Learning to Detect Microplastics in Clam Blood, a Step Towards Human Blood Analysis
- arxiv url: http://arxiv.org/abs/2508.19021v1
- Date: Tue, 26 Aug 2025 13:40:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-27 17:42:38.860215
- Title: MicroDetect-Net (MDN): Leveraging Deep Learning to Detect Microplastics in Clam Blood, a Step Towards Human Blood Analysis
- Title（参考訳）: MicroDetect-Net (MDN): 深層学習を活用してクラム血液中のマイクロプラスチックを検出する
- Authors: Riju Marwah, Riya Arora, Navneet Yadav, Himank Arora,
- Abstract要約: 微生物は環境よりも人間にとって有害である。
マイクロプラスチックの毒性の研究は、被曝が肝臓の感染、腸の損傷、腸内細菌叢の不均衡を引き起こす可能性があることを示している。
本論文は, ナイルレッド染色による蛍光顕微鏡と深層学習を応用し, マイクロプラスチックの血液試料をスキャンする新しいモデルであるMicroDetect-Net(MDN)を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the prevalence of plastics exceeding 368 million tons yearly, microplastic pollution has grown to an extent where air, water, soil, and living organisms have all tested positive for microplastic presence. These particles, which are smaller than 5 millimeters in size, are no less harmful to humans than to the environment. Toxicity research on microplastics has shown that exposure may cause liver infection, intestinal injuries, and gut flora imbalance, leading to numerous potential health hazards. This paper presents a new model, MicroDetect-Net (MDN), which applies fluorescence microscopy with Nile Red dye staining and deep learning to scan blood samples for microplastics. Although clam blood has certain limitations in replicating real human blood, this study opens avenues for applying the approach to human samples, which are more consistent for preliminary data collection. The MDN model integrates dataset preparation, fluorescence imaging, and segmentation using a convolutional neural network to localize and count microplastic fragments. The combination of convolutional networks and Nile Red dye for segmentation produced strong image detection and accuracy. MDN was evaluated on a dataset of 276 Nile Red-stained fluorescent blood images and achieved an accuracy of ninety two percent. Robust performance was observed with an Intersection over Union of 87.4 percent, F1 score of 92.1 percent, Precision of 90.6 percent, and Recall of 93.7 percent. These metrics demonstrate the effectiveness of MDN in the detection of microplastics.
- Abstract（参考訳）: 毎年3億8800万トンを超えるプラスチックが流行する中、大気、水、土壌、生物が微生物の存在を実証するほど、微生物汚染は増大している。
粒子の大きさは5mm以下で、人間にとって環境に劣らず有害である。
マイクロプラスチックの毒性の研究は、曝露によって肝臓の感染、腸の損傷、腸内細菌叢の不均衡が引き起こされ、多くの健康上の危険をもたらす可能性があることを示している。
本論文は, ナイルレッド染色による蛍光顕微鏡と深層学習を応用し, マイクロプラスチックの血液試料をスキャンする新しいモデルであるMicroDetect-Net(MDN)を提案する。
クラム血液は人間の血液を複製するのに一定の制限があるが、この研究は人間のサンプルにアプローチを適用するための道を開く。
MDNモデルは、畳み込みニューラルネットワークを用いてデータセットの作成、蛍光イメージング、セグメンテーションを統合し、マイクロプラスチックの断片をローカライズし数える。
畳み込みネットワークと、セグメンテーションのためのナイルレッド染料の組み合わせは、強い画像検出と精度を生み出した。
MDNは、276個のナイルレッド染色された蛍光血液画像のデータセットで評価され、92%の精度で測定された。
ロバストなパフォーマンスは、ユニオン87.4%、F1スコア92.1%、精度90.6%、リコール93.7%のインターセクションで観察された。
これらの測定値は, マイクロプラスチックの検出におけるMDNの有効性を示す。
関連論文リスト
- Leveraging Sparse Annotations for Leukemia Diagnosis on the Large Leukemia Dataset [44.948939549346676]
白血病は世界で10番目に頻繁に診断されるがんであり、がん関連死亡の原因の1つとなっている。
医学画像の深層学習の進歩にもかかわらず、白血病解析には多種多様なマルチタスクデータセットが欠けている。
大規模WBCデータセットと,その属性を用いてWBCを検出する新しい手法を提案する。
論文 参考訳（メタデータ） (2025-04-03T14:04:02Z) - Exploring Few-Shot Object Detection on Blood Smear Images: A Case Study of Leukocytes and Schistocytes [37.440449828136586]
調査は、DE-ViTと呼ばれる新しいアプローチに焦点を当てている。
この手法はFew-Shotパラダイムで採用されており、トレーニングは限られた数の画像に依存している。
DE-ViTはCOCOデータセットとLVISデータセットで最先端のパフォーマンスを示しているが、どちらもRaabin-WBCデータセットでのパフォーマンスを上回っている。
論文 参考訳（メタデータ） (2025-03-21T12:46:49Z) - AI-Driven Rapid Identification of Bacterial and Fungal Pathogens in Blood Smears of Septic Patients [2.133548274152191]
従来の微生物学的手法は時間がかかり高価である。
深層学習アルゴリズムを用いて14種の細菌と3種の酵母様菌を同定した。
The highest value were obtained for Cutibacterium acnes, Enterococcus faecium, Stenotrophomonas maltophilia and Nakaseomyces glabratus。
論文 参考訳（メタデータ） (2025-03-17T15:02:49Z) - Microplastic Identification Using AI-Driven Image Segmentation and GAN-Generated Ecological Context [0.09636431845459936]
試料中のマイクロプラスチックの同定法は費用がかかり、専門家による分析が必要である。
顕微鏡画像中のマイクロプラスチックを自動的に識別する深層学習セグメンテーションモデルを提案する。
論文 参考訳（メタデータ） (2024-10-25T14:57:09Z) - Morphological Detection and Classification of Microplastics and Nanoplastics Emerged from Consumer Products by Deep Learning [1.21387493410444]
プラスチック汚染は世界的な問題となり、健康や環境システムに影響を及ぼす。
これらの汚染物質を研究する伝統的な方法は、労働集約的で時間を要する。
本稿では,マイクロ・ナノプラスチックの自動検出と分類を目的とした,新しいオープンソースデータセットであるMiNaとマイクロ・ナノプラスチックについて紹介する。
論文 参考訳（メタデータ） (2024-09-20T17:56:25Z) - Performance, Successes and Limitations of Deep Learning Semantic
Segmentation of Multiple Defects in Transmission Electron Micrographs [9.237363938772479]
深層学習Mask Regional Convolutional Neural Network (Mask R-CNN)モデルを用いて, 電子顕微鏡によるFeCrAl合金の欠陥のセマンティックセグメンテーションを行う。
本稿では, 欠陥形状の予測分布, 欠陥サイズ, 欠陥同感度などの量に着目し, キーモデルの性能統計の詳細な分析を行う。
全体として、現在のモデルは、顕微鏡画像中の複数の欠陥タイプを自動解析し、定量化するための、高速で効果的なツールであることがわかった。
論文 参考訳（メタデータ） (2021-10-15T17:57:59Z) - Sickle Cell Disease Severity Prediction from Percoll Gradient Images
using Graph Convolutional Networks [38.27767684024691]
シックル細胞病(Sickle cell disease, SCD)は、赤血球の早期破壊を引き起こす重篤な遺伝性ヘモグロビン疾患である。
提案手法は,SCD重大度予測の難問に対する最初の計算手法である。
論文 参考訳（メタデータ） (2021-09-11T21:09:50Z) - A Dataset and Benchmark for Malaria Life-Cycle Classification in Thin
Blood Smear Images [7.113350536579545]
マラリア顕微鏡、寄生虫Plasmodiumを検出するステンド血液スライドの顕微鏡検査は、マラリアを検出するための金標準であると考えられています。
本研究では,染色フィルム写真中のプラスモジウム寄生虫を自動的に検出(局在化)する深層学習に基づく手法を提案する。
機械学習に基づくマラリア顕微鏡の研究を容易にするために,新しい大規模顕微鏡画像マラリアデータセットを提案する。
論文 参考訳（メタデータ） (2021-02-17T11:44:52Z) - Large-Scale Screening of COVID-19 from Community Acquired Pneumonia
using Infection Size-Aware Classification [41.85283468679224]
症例は新型コロナウイルス1658例,CAP1027例であった。
すべての画像は、感染症と肺野の両方の領域を取得するために前処理された。
iSARF (Size Aware Random Forest) 法が提案され, 感染範囲の異なる群に自動的に分類された。
実験結果から,提案手法の感度は0.907,特異性は0.833,精度は0.879であった。
論文 参考訳（メタデータ） (2020-03-22T11:12:06Z) - Assessing Graph-based Deep Learning Models for Predicting Flash Point [52.931492216239995]
グラフベースのディープラーニング(GBDL)モデルは初めてフラッシュポイントを予測するために実装された。
MPNNの平均R2と平均絶対誤差(MAE)は、それぞれ2.3%低、2.0K高である。
論文 参考訳（メタデータ） (2020-02-26T06:10:12Z)
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。