論文の概要: Malaria Detection from Blood Cell Images Using XceptionNet

• arxiv url: http://arxiv.org/abs/2510.19182v1
• Date: Wed, 22 Oct 2025 02:41:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:14.936275
• Title: Malaria Detection from Blood Cell Images Using XceptionNet
• Title（参考訳）: XceptionNet を用いた細胞画像からのマラリア検出
• Authors: Warisa Nusrat, Mostafijur Rahman, Ayatullah Faruk Mollah,
• Abstract要約: マラリアは、主に雌のアナテレス蚊の噛みつきによって拡散し、しばしば人の死につながる。 十分な専門知識やスキルが不足し、最も重要な手作業による関与が誤った診断を引き起こす可能性がある。 本稿では,血液細胞像から深い内在性特徴を抽出するために,よく実証されたディープネットワークを適用した。
• 参考スコア（独自算出の注目度）: 1.8311148945110531
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Malaria, which primarily spreads with the bite of female anopheles mosquitos, often leads to death of people - specifically children in the age-group of 0-5 years. Clinical experts identify malaria by observing RBCs in blood smeared images with a microscope. Lack of adequate professional knowledge and skills, and most importantly manual involvement may cause incorrect diagnosis. Therefore, computer aided automatic diagnosis stands as a preferred substitute. In this paper, well-demonstrated deep networks have been applied to extract deep intrinsic features from blood cell images and thereafter classify them as malaria infected or healthy cells. Among the six deep convolutional networks employed in this work viz. AlexNet, XceptionNet, VGG-19, Residual Attention Network, DenseNet-121 and Custom-CNN. Residual Attention Network and XceptionNet perform relatively better than the rest on a publicly available malaria cell image dataset. They yield an average accuracy of 97.28% and 97.55% respectively, that surpasses other related methods on the same dataset. These findings highly encourage the reality of deep learning driven method for automatic and reliable detection of malaria while minimizing direct manual involvement.
• Abstract（参考訳）: マラリアは、主に雌のアメーバ蚊の噛みつきによって拡散するが、多くの場合、人間、特に0～5歳児の死亡につながる。 臨床専門家は、顕微鏡で血液スミア画像中のRBCを観察することでマラリアを識別する。 十分な専門知識やスキルが不足し、最も重要な手作業による関与が誤った診断を引き起こす可能性がある。 したがって、コンピュータ支援自動診断が好ましい代替手段である。 本稿では,血液細胞像から深い内因性特徴を抽出するために,よく実証されたディープネットワークを適用し,その後,マラリアや健康な細胞として分類した。 この作業で使われた6つの深い畳み込みネットワークのうちの1つ。 AlexNet、XceptionNet、VGG-19、Residual Attention Network、DenseNet-121、Custom-CNN。 Residual Attention NetworkとXceptionNetは、公開されているマラリア細胞イメージデータセットの他よりも比較的パフォーマンスがよい。 平均精度は97.28%、97.55%で、同じデータセット上の他の関連手法を上回ります。 これらの知見は、直接手動による関与を最小限に抑えつつ、マラリアの自動かつ信頼性の高い検出のためのディープラーニング駆動方式の実現を大いに促進する。

関連論文リスト

• 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)
• Malaria Cell Detection Using Deep Neural Networks [1.1237179306040028]
  マラリアは世界中で最も深刻な公衆衛生上の懸念の1つだ。 血液スミアの顕微鏡検査などの従来の診断法は、労働集約的である。 本研究の目的は, 深層学習によるマラリア感染細胞の自動検出である。
  論文  参考訳（メタデータ） (2024-06-28T15:44:55Z)
• Automated Web-Based Malaria Detection System with Machine Learning and Deep Learning Techniques [0.0]
  マラリア原虫は、世界的な健康上の重荷となり、広範囲の苦しみと死亡を引き起こしている。 従来のCNNと転写学習モデルを用いて,マラリア感染細胞分類のための深層学習手法を定式化した。 システムはWebインターフェースを通じてアクセスでき、血液のスミア画像をアップロードしてマラリア検出を行うことができる。
  論文  参考訳（メタデータ） (2024-06-27T16:50:36Z)
• CodaMal: Contrastive Domain Adaptation for Malaria Detection in Low-Cost Microscopes [51.5625352379093]
  マラリアは世界中で大きな問題であり、診断には低コストの顕微鏡(LCM)で効果的に動作するスケーラブルなソリューションが必要である。 ディープラーニングに基づく手法は、顕微鏡画像からコンピュータ支援による診断に成功している。 これらの方法には、マラリア原虫の感染した細胞とその生活段階を示す注釈画像が必要である。 LCMからの注記画像は、高精細顕微鏡(HCM)からの注記画像と比較して医療専門家の負担を著しく増大させる
  論文  参考訳（メタデータ） (2024-02-16T06:57:03Z)
• Computer-aided Diagnosis of Malaria through Transfer Learning using the ResNet50 Backbone [0.0]
  マラリアの原因は寄生虫のプラスモジウム(Plasmodium parasite)である。 本稿では、ResNet50 Deep Neural Networkを用いて、マラリアの細いスミア細胞像を寄生・無感染と分類するための、コンピュータ支援による自動診断手法を提案する。
  論文  参考訳（メタデータ） (2023-04-06T08:31:15Z)
• COVID-Net USPro: An Open-Source Explainable Few-Shot Deep Prototypical Network to Monitor and Detect COVID-19 Infection from Point-of-Care Ultrasound Images [66.63200823918429]
  COVID-Net USProは、最小限の超音波画像から高精度で新型コロナウイルス陽性の患者を監視し、検出する。 ネットワーク全体では99.65%の精度、99.7%のリコール、99.67%の精度で5発の撮影で訓練された。
  論文  参考訳（メタデータ） (2023-01-04T16:05:51Z)
• Malaria detection in Segmented Blood Cell using Convolutional Neural Networks and Canny Edge Detection [0.0]
  マラリア細胞検出の精度は95%以上である。 また、同程度の精度を維持しながら、トレーニングファイルサイズを減らすために、Canny画像処理を適用します。
  論文  参考訳（メタデータ） (2022-02-21T18:34:35Z)
• 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)
• 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)
• 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)
• MOSQUITO-NET: A deep learning based CADx system for malaria diagnosis along with model interpretation using GradCam and class activation maps [9.01199960262149]
  マラリアは世界でも最も致命的な病気の1つで、毎年数千人が死亡している。 マラリアの原因となる寄生虫は、科学的にはプラスモジウムと呼ばれ、ヒトの赤血球に感染する。 マラリアの診断には、顕微鏡的血腫の医療従事者による寄生細胞の同定と手動計測が必要である。
  論文  参考訳（メタデータ） (2020-06-17T13:00:30Z)

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。