論文の概要: Precise classification of low quality G-banded Chromosome Images by reliability metrics and data pruning classifier

• arxiv url: http://arxiv.org/abs/2510.21827v1
• Date: Wed, 22 Oct 2025 02:05:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 17:41:21.913142
• Title: Precise classification of low quality G-banded Chromosome Images by reliability metrics and data pruning classifier
• Title（参考訳）: 信頼性指標とデータプルーニング分類器による低品質Gバンドクロモソーム画像の高精度分類
• Authors: Mojtaba Moattari,
• Abstract要約: 本稿では,染色体の分類精度を信頼性しきい値と意図的に設計した特徴量を用いて改善する。 分類結果は、より一般的な欠陥と転位を有する染色体に対して90%以上改善されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the last decade, due to high resolution cameras and accurate meta-phase analyzes, the accuracy of chromosome classification has improved substantially. However, current Karyotyping systems demand large number of high quality train data to have an adequately plausible Precision per each chromosome. Such provision of high quality train data with accurate devices are not yet accomplished in some out-reached pathological laboratories. To prevent false positive detections in low-cost systems and low-quality images settings, this paper improves the classification Precision of chromosomes using proposed reliability thresholding metrics and deliberately engineered features. The proposed method has been evaluated using a variation of deep Alex-Net neural network, SVM, K Nearest-Neighbors, and their cascade pipelines to an automated filtering of semi-straight chromosome. The classification results have highly improved over 90% for the chromosomes with more common defections and translocations. Furthermore, a comparative analysis over the proposed thresholding metrics has been conducted and the best metric is bolded with its salient characteristics. The high Precision results provided for a very low-quality G-banding database verifies suitability of the proposed metrics and pruning method for Karyotyping facilities in poor countries and lowbudget pathological laboratories.
• Abstract（参考訳）: 過去10年間で、高解像度カメラと正確なメタフェーズ分析により、染色体分類の精度が大幅に向上した。 しかし、現在の核タイピングシステムでは、染色体ごとの精度を適切に評価するために、多数の高品質な列車データを要求している。 このような高精度な装置による高品質な列車データの提供は、一部の未整備の病理実験室ではまだ達成されていない。 低コストシステムと低画質画像設定における偽陽性検出を防止するため,提案手法を用いて染色体の分類精度を向上させる。 提案手法は,深部Alex-Netニューラルネットワーク,SVM,K Nearest-Neighbors,およびそれらのカスケードパイプラインを半直線染色体の自動フィルタリングに応用して評価した。 分類結果は、より一般的な欠陥と転位を有する染色体に対して90%以上改善されている。 さらに,提案したしきい値の比較分析を行い,その健全な特性で最良の指標を大胆に評価した。 極めて低品質なGバンドデータベースに提供された高精度な結果から, 貧しい国と低予算の病理実験室における核タイピング施設の計測値と刈り取り方法の適合性を検証した。

関連論文リスト

• Linearized Optimal Transport for Analysis of High-Dimensional Point-Cloud and Single-Cell Data [45.87606039212519]
  シングルセル技術は、細胞の高次元点雲を生成する。 各患者は単純なベクトルではなく不規則な点雲で表される。 線形最適輸送フレームワークを用いて不規則点雲を固定次元ユークリッド空間に埋め込む。
  論文  参考訳（メタデータ） (2025-10-24T21:33:12Z)
• Latent Space Class Dispersion: Effective Test Data Quality Assessment for DNNs [45.129846925131055]
  Latent Space Class Dispersion (LSCD)は、ディープニューラルネットワーク(DNN)のテストデータセットの品質を定量化する新しいメトリクスである。 実験により,LSCDは画像分類タスクに関連する3つの一般的なベンチマークの試験データセットの欠陥を明らかにし,定量化することを示した。
  論文  参考訳（メタデータ） (2025-03-24T15:45:50Z)
• FISHing in Uncertainty: Synthetic Contrastive Learning for Genetic Aberration Detection [1.3373458503586262]
  既存のFISH画像分類手法は、信号のばらつきと本質的不確実性に起因する課題に直面している。 手動アノテーションの必要をなくすために合成画像を活用する新しい手法を提案する。 我々は,合成データに基づいて学習した手法の優れた一般化能力と不確実性を実証する。
  論文  参考訳（メタデータ） (2024-11-01T20:50:48Z)
• Neural Cellular Automata for Lightweight, Robust and Explainable Classification of White Blood Cell Images [40.347953893940044]
  ニューラルセルオートマトン(NCA)を用いた白血球分類の新しいアプローチを提案する。 NCAに基づく手法はパラメータの面で著しく小さく,ドメインシフトに対する堅牢性を示す。 その結果,NAAは画像分類に利用でき,従来の手法の課題に対処できることがわかった。
  論文  参考訳（メタデータ） (2024-04-08T14:59:53Z)
• Distilling Local Texture Features for Colorectal Tissue Classification in Low Data Regimes [3.9396560696586693]
  多クラス大腸癌組織分類は、通常、ある設定で対処される難しい問題である。 そこで我々は,KD-CTCNetという知識蒸留に基づく手法を提案する。 結果として得られたリッチな特徴表現は、低データレギュレーションに特化して、分類性能の向上を実現する。
  論文  参考訳（メタデータ） (2024-01-02T11:46:44Z)
• On the calibration of neural networks for histological slide-level classification [47.99822253865054]
  我々は、パッチレベルの特徴表現と、それらの分類性能に関するスライドレベルの予測を組み合わせた3つのニューラルネットワークアーキテクチャを比較した。 我々は、トランスフォーマーが分類性能と校正の点で良い結果をもたらすことを観察する。
  論文  参考訳（メタデータ） (2023-12-15T11:46:29Z)
• Supervised Contrastive Learning for Fine-grained Chromosome Recognition [7.427070103487921]
  染色体認識は核タイピングにおいて必須の課題であり、出生時欠陥診断や生医学研究において重要な役割を担っている。 既存の分類法は、染色体のクラス間類似性とクラス内変異のために重大な課題に直面している。 そこで本研究では,信頼性染色体分類のためのモデルに依存しない深層ネットワークを訓練するための教師付きコントラスト学習戦略を提案する。
  論文  参考訳（メタデータ） (2023-12-12T06:12:21Z)
• Breast Ultrasound Tumor Classification Using a Hybrid Multitask CNN-Transformer Network [63.845552349914186]
  胸部超音波(BUS)画像分類において,グローバルな文脈情報の収集が重要な役割を担っている。 ビジョントランスフォーマーは、グローバルなコンテキスト情報をキャプチャする能力が改善されているが、トークン化操作によって局所的なイメージパターンを歪めてしまう可能性がある。 本研究では,BUS腫瘍分類とセグメンテーションを行うハイブリッドマルチタスクディープニューラルネットワークであるHybrid-MT-ESTANを提案する。
  論文  参考訳（メタデータ） (2023-08-04T01:19:32Z)
• Robust self-healing prediction model for high dimensional data [0.685316573653194]
  本研究は、ロバスト自己治癒(RSH)ハイブリッド予測モデルを提案する。 それは、データを捨てるのではなく、エラーや不整合を取り除くことによって、データ全体を活用することによって機能する。 提案手法は,既存のハイパフォーマンスモデルと比較し,解析を行った。
  論文  参考訳（メタデータ） (2022-10-04T17:55:50Z)
• Rectified Meta-Learning from Noisy Labels for Robust Image-based Plant Disease Diagnosis [64.82680813427054]
  植物病は食料安全保障と作物生産に対する主要な脅威の1つである。 1つの一般的なアプローチは、葉画像分類タスクとしてこの問題を変換し、強力な畳み込みニューラルネットワーク(CNN)によって対処できる。 本稿では,正規化メタ学習モジュールを共通CNNパラダイムに組み込んだ新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-17T09:51:30Z)

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。