A comprehensive study on Blood Cancer detection and classification using Convolutional Neural Network

要約

長年にわたり、物体検出においては、DenseNet201、InceptionV3、ResNet152v2、SEresNet152、VGG19、Xception などのいくつかの効率的な畳み込みニューラル ネットワーク (CNN) ネットワークが、そのパフォーマンスにより大きな注目を集めてきました。
さらに、CNN パラダイムは、元の CNN アーキテクチャから学習モデルとアンサンブル モデルを転送するように拡張されました。
研究調査によると、転移学習モデルとアンサンブル モデルは深層学習 (DL) モデルの精度を向上させることができます。
しかし、血液悪性腫瘍の検出と位置特定にこれらの技術を利用した包括的な実験を実施した研究はほとんどありません。
このギャップを認識して、この研究では 3 つの実験を実施しました。
最初の実験では 6 つのオリジナル CNN が使用され、2 番目の実験では転移学習が使用され、3 番目の実験では血液がんを検出および分類するための新しいアンサンブル モデル DIX (DenseNet201、InceptionV3、および Xception) が開発されました。
統計結果は、DIX が元の学習パフォーマンスと転移学習パフォーマンスを上回り、99.12% の精度を提供したことを示しています。
ただし、転移学習では元の CNN の精度が向上しなかったため、この研究では転移学習の場合にも否定的な結果が得られました。
他の多くのがんと同様、血液がん疾患も効果的な治療計画を立てて生存の可能性を高めるためにタイムリーな特定が必要です。
CNN を使用した血液がんの検出および分類の精度が高いことは、CNN モデルが血液がん疾患の検出に有望であることを示唆しています。
この研究は、生物医用工学、コンピュータ支援疾患診断、ML ベースの疾患検出の分野で重要です。

要約(オリジナル)

Over the years in object detection several efficient Convolutional Neural Networks (CNN) networks, such as DenseNet201, InceptionV3, ResNet152v2, SEresNet152, VGG19, Xception gained significant attention due to their performance. Moreover, CNN paradigms have expanded to transfer learning and ensemble models from original CNN architectures. Research studies suggest that transfer learning and ensemble models are capable of increasing the accuracy of deep learning (DL) models. However, very few studies have conducted comprehensive experiments utilizing these techniques in detecting and localizing blood malignancies. Realizing the gap, this study conducted three experiments; in the first experiment — six original CNNs were used, in the second experiment — transfer learning and, in the third experiment a novel ensemble model DIX (DenseNet201, InceptionV3, and Xception) was developed to detect and classify blood cancer. The statistical result suggests that DIX outperformed the original and transfer learning performance, providing an accuracy of 99.12%. However, this study also provides a negative result in the case of transfer learning, as the transfer learning did not increase the accuracy of the original CNNs. Like many other cancers, blood cancer diseases require timely identification for effective treatment plans and increased survival possibilities. The high accuracy in detecting and categorization blood cancer detection using CNN suggests that the CNN model is promising in blood cancer disease detection. This research is significant in the fields of biomedical engineering, computer-aided disease diagnosis, and ML-based disease detection.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google