要約
急性リンパ芽球性白血病 (ALL) は、主に成人と小児が罹患する血液悪性腫瘍です。
この研究では、ALL の検出と分類のための深層学習、特に畳み込みニューラル ネットワーク (CNN) の使用について検討しています。
骨髄生検などの従来の ALL 診断技術は高価であり、手作業による間違いが発生しやすいです。
この研究では、自動化技術を活用することで、診断精度の向上を目指しています。
この研究では、InceptionV3、ResNet101、VGG19、DenseNet121、MobileNetV2、DenseNet121 などのさまざまな事前トレーニング済み CNN モデルを使用して、血液塗抹標本の写真から特徴を抽出します。
ANOVA、再帰的特徴除去 (RFE)、ランダム フォレスト、なげなわ、主成分分析 (PCA) は、特徴抽出後に最も関連性の高い特徴を見つけるために使用される選択アプローチの一部です。
その後、Na\’ive Bayes、ランダム フォレスト、サポート ベクター マシン (SVM)、K 最近傍 (KNN) などの機械学習手法を使用して、これらの特徴を分類します。
ResNet101 モデルは 87% の精度率で最高の結果をもたらし、DenseNet121 と VGG19 がそれに僅差で続きました。
この研究によると、CNN ベースのモデルは、ALL 診断の速度と精度を向上させ、専門医の必要性を減らす可能性があります。
この研究では、モデルのパフォーマンスを向上させるために、データセットを拡張および多様化し、変圧器などのより洗練された設計を調査することも推奨しています。
この研究は、自動化された深層学習システムが医療診断をどの程度適切に実行できるかを明らかにしています。
要約(オリジナル)
Acute lymphoblastic leukaemia (ALL) is a blood malignancy that mainly affects adults and children. This study looks into the use of deep learning, specifically Convolutional Neural Networks (CNNs), for the detection and classification of ALL. Conventional techniques for ALL diagnosis, such bone marrow biopsy, are costly and prone to mistakes made by hand. By utilising automated technologies, the research seeks to improve diagnostic accuracy. The research uses a variety of pre-trained CNN models, such as InceptionV3, ResNet101, VGG19, DenseNet121, MobileNetV2, and DenseNet121, to extract characteristics from pictures of blood smears. ANOVA, Recursive Feature Elimination (RFE), Random Forest, Lasso, and Principal Component Analysis (PCA) are a few of the selection approaches used to find the most relevant features after feature extraction. Following that, machine learning methods like Na\’ive Bayes, Random Forest, Support Vector Machine (SVM), and K-Nearest Neighbours (KNN) are used to classify these features. With an 87% accuracy rate, the ResNet101 model produced the best results, closely followed by DenseNet121 and VGG19. According to the study, CNN-based models have the potential to decrease the need for medical specialists by increasing the speed and accuracy of ALL diagnosis. To improve model performance, the study also recommends expanding and diversifying datasets and investigating more sophisticated designs such as transformers. This study highlights how well automated deep learning systems do medical diagnosis.
arxiv情報
| 著者 | Sabit Ahamed Preanto,Md. Taimur Ahad,Yousuf Rayhan Emon,Sumaya Mustofa,Md Alamin |
| 発行日 | 2024-09-10 17:53:29+00:00 |
| arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google