論文の概要: IoMT-based Automated Leukemia Classification using CNN and Higher Order Singular Value

• arxiv url: http://arxiv.org/abs/2512.16448v1
• Date: Thu, 18 Dec 2025 12:09:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-19 18:10:32.045254
• Title: IoMT-based Automated Leukemia Classification using CNN and Higher Order Singular Value
• Title（参考訳）: CNNと高次特異値を用いたIoMT自動白血病分類
• Authors: Shabnam Bagheri Marzijarani, Mohammad Zolfaghari, Hedieh Sajedi,
• Abstract要約: IoT(Internet of Things)は、オブジェクトがアイデンティティを見つけ、ネットワーク内で相互に通信可能なコンセプトである。 IoTの応用の1つは医学分野であり、その分野はIoMT(Internet of Medical Things)と呼ばれる。
• 参考スコア（独自算出の注目度）: 3.1478972434597186
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Internet of Things (IoT) is a concept by which objects find identity and can communicate with each other in a network. One of the applications of the IoT is in the field of medicine, which is called the Internet of Medical Things (IoMT). Acute Lymphocytic Leukemia (ALL) is a type of cancer categorized as a hematic disease. It usually begins in the bone marrow due to the overproduction of immature White Blood Cells (WBCs or leukocytes). Since it has a high rate of spread to other body organs, it is a fatal disease if not diagnosed and treated early. Therefore, for identifying cancerous (ALL) cells in medical diagnostic laboratories, blood, as well as bone marrow smears, are taken by pathologists. However, manual examinations face limitations due to human error risk and time-consuming procedures. So, to tackle the mentioned issues, methods based on Artificial Intelligence (AI), capable of identifying cancer from non-cancer tissue, seem vital. Deep Neural Networks (DNNs) are the most efficient machine learning (ML) methods. These techniques employ multiple layers to extract higher-level features from the raw input. In this paper, a Convolutional Neural Network (CNN) is applied along with a new type of classifier, Higher Order Singular Value Decomposition (HOSVD), to categorize ALL and normal (healthy) cells from microscopic blood images. We employed the model on IoMT structure to identify leukemia quickly and safely. With the help of this new leukemia classification framework, patients and clinicians can have real-time communication. The model was implemented on the Acute Lymphoblastic Leukemia Image Database (ALL-IDB2) and achieved an average accuracy of %98.88 in the test step.
• Abstract（参考訳）: IoT(Internet of Things)は、オブジェクトがアイデンティティを見つけ、ネットワーク内で相互に通信可能なコンセプトである。 IoTの応用の1つは医学分野であり、その分野はInternet of Medical Things (IoMT)と呼ばれる。 急性リンパ性白血病(ALL)は、血液疾患に分類されるがんの一種である。 通常、未熟な白血球(WBCまたは白血球)の過剰産生により骨髄から発生する。 他の臓器に感染する頻度が高いため、早期に診断・治療を受けなければ致命的な疾患である。 したがって、医学診断実験室におけるがん細胞(全細胞)の同定には、血液や骨髄の腫れが病理学者によって取られる。 しかし、手作業による検査は、人間のエラーリスクと時間のかかる手続きによる制限に直面している。 そこで、前述の問題に対処するためには、非がん組織からがんを識別する人工知能(AI)に基づく手法が不可欠である。 ディープニューラルネットワーク(DNN)は、最も効率的な機械学習(ML)手法である。 これらの手法は複数の層を用いて生の入力から高レベルの特徴を抽出する。 本稿では、新しいタイプの分類器であるHOSVD(Higher Order Singular Value Decomposition)とともに畳み込みニューラルネットワーク(CNN)を適用し、顕微鏡的血液像からall細胞とalthy細胞を分類する。 我々はIoMTモデルを用いて、迅速かつ安全に白血病を同定した。 この新たな白血病分類フレームワークの助けを借りて、患者と臨床医はリアルタイム通信を行うことができる。 このモデルは急性リンパ芽球性白血病画像データベース (ALL-IDB2) に実装され、テスト段階での平均精度は %98.88 に達した。

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)
• MMIL: A novel algorithm for disease associated cell type discovery [58.044870442206914]
  単一細胞データセットは、しばしば個々の細胞ラベルを欠いているため、病気に関連する細胞を特定することは困難である。 セルレベルの分類器の訓練と校正を可能にする予測手法であるMixture Modeling for Multiple Learning Instance (MMIL)を導入する。
  論文  参考訳（メタデータ） (2024-06-12T15:22:56Z)
• Classification of White Blood Cells Using Machine and Deep Learning Models: A Systematic Review [8.452349885923507]
  機械学習(ML)とディープラーニング(DL)モデルは、医療画像の分析を大幅に改善するために採用されている。 モデル予測と分類は、様々ながんや腫瘍の診断を支援する。 本総説では,白細胞分類のための医用画像解析の領域内で適用された最新の技術について,詳細な分析を行った。
  論文  参考訳（メタデータ） (2023-08-11T06:32:25Z)
• A survey on automated detection and classification of acute leukemia and WBCs in microscopic blood cells [6.117084972237769]
  白血球 (Leukemia) は、白血球や白血球が骨髄や血液中に拡散する異常な疾患である。 従来の機械学習とディープラーニング技術は、医療画像の診断と分類の精度とスピードを高めるための実践的なロードマップである。 本稿では, 急性白血病およびWBCの検出と分類に関する包括的解析を行った。
  論文  参考訳（メタデータ） (2023-03-07T14:26:08Z)
• Automated Detection of Acute Lymphoblastic Leukemia Subtypes from Microscopic Blood Smear Images using Deep Neural Networks [0.0]
  毎年30万件の新しい白血病が診断されている。 最も危険で致命的なタイプの白血病は急性リンパ性白血病(all)である。 本研究では,Deep Neural Networks (DNN) を用いた顕微鏡的血液スミアス画像から様々な形状のオールブラスト細胞を自動検出するシステムを提案する。
  論文  参考訳（メタデータ） (2022-07-30T20:31:59Z)
• Automated Detection of Acute Promyelocytic Leukemia in Blood Films and Bone Marrow Aspirates with Annotation-free Deep Learning [0.7091770799191859]
  白血球同定のための深層学習手法MILLIE(Multiple Instance Learning)を提案する。 MILLIEは最小限の監督で血液フィルムの自動信頼性解析を行うことができる。 血液膜および骨髄吸引液中の急性前骨髄球性白血病(APL)を検出する。
  論文  参考訳（メタデータ） (2022-03-20T18:53:09Z)
• 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)
• In-Line Image Transformations for Imbalanced, Multiclass Computer Vision Classification of Lung Chest X-Rays [91.3755431537592]
  本研究は、COVID-19 LCXRデータ不足のバランスをとるために画像変換を適用するために、文献の体系を活用することを目的としている。 convolutional neural networks(cnns)のようなディープラーニング技術は、健康状態と疾患状態を区別する特徴を選択することができる。 本研究は,CNNアーキテクチャを用いて高速多クラスLCXR分類を94%精度で行う。
  論文  参考訳（メタデータ） (2021-04-06T02:01:43Z)
• Comparisons among different stochastic selection of activation layers for convolutional neural networks for healthcare [77.99636165307996]
  ニューラルネットワークのアンサンブルを用いて生体医用画像の分類を行う。 ReLU, leaky ReLU, Parametric ReLU, ELU, Adaptive Piecewice Linear Unit, S-Shaped ReLU, Swish, Mish, Mexican Linear Unit, Parametric Deformable Linear Unit, Soft Root Sign。
  論文  参考訳（メタデータ） (2020-11-24T01:53:39Z)

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。