文献

J-GLOBAL ID：202202266174676434   整理番号：22A1157791

マラリア寄生虫検出のための残留注意学習ネットワークとSVM【JST・京大機械翻訳】

Residual attention learning network and SVM for malaria parasite detection

著者 (2件)： Li Daiyi (College of Computer Science and Technology, Nanjing University of Aeronautics and Astronautics, Nanjing, China) ,  Ma Zongmin (College of Computer Science and Technology, Nanjing University of Aeronautics and Astronautics, Nanjing, China)
資料名： Multimedia Tools and Applications  (Multimedia Tools and Applications)
巻： 81  号： 8  ページ： 10935-10960  発行年： 2022年 
JST資料番号： W1102A  ISSN： 1380-7501  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 薄い血液スミア画像における自動化マラリア寄生虫検出は,診断性能を改善する重要な方法である。深い畳み込みニューラルネットワーク(DCNN)は多くの画像分類タスクにおいてよく機能するが,マラリア寄生虫の正確な分類は訓練データの欠如,スミアの品質不良およびクラス間類似性のために困難なままである。本論文では,多重残差注意学習畳込みニューラルネットワーク(RAL-CNN)モジュール,大域的平均プール(GAP)ブロックおよびサポートベクトルマシン(SVM)により訓練された分類器から成る,新しいハイブリッドモデルdubbed RAL-CNN-SVMを提示した。各RAL-CNNブロックは,残留学習と新しい注意機構から成り,主に画像深さ活性化特徴を抽出するのに使用される。分類層はSVM分類アルゴリズムの強い点を利用して,非線形分離の問題を解決して,マラリア寄生虫の検出精度を改善する。著者らの実験の間,著者らは,公開Malariaセル画像データセットに関して提案したRAL-CNN-SVMモデルを評価して,結果は,提案した新規ハイブリッドモデルの正確さが99.7%であることを示した。また,RAL-CNN50-SVMとResNet50により得られたクラス活性化マッピング(CAM)を可視化した。実験結果は,RAL-CNN50-SVM(単一50層モデル)モデルが強い注意能力を持ち,薄い血液スミア画像におけるバックグラウンド組織よりむしろ寄生細胞を強調することができることを示した。Copyright The Author(s), under exclusive licence to Springer Science+Business Media, LLC, part of Springer Nature 2022 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 自動化 ,  *学習 ,  *ネットワーク ,  血液 ,  残差 ,  *寄生虫 ,  *マラリア ,  可視化 ,  画像 ,  多重化 ,  *注意 ,  サポートベクトルマシン
準シソーラス用語： 画像分類 ,  ハイブリッドモデル ,  畳込みニューラルネットワーク , 【Automatic Indexing@JST】

著者キーワード (5件)： 深層畳込みニューラルネットワーク(DCNN) ,  残差学習 ,  サポートベクトルマシン(SVM) ,  特徴抽出 ,  クラス活性化マッピング(CAM)

分類 (3件)： 人工知能  (JE08000Z) ,  パターン認識  (JE07000S) ,  ニューロコンピュータ  (JC06010Q)

タイトルに関連する用語 (6件)： マラリア ,  寄生虫 ,  残留 ,  注意 ,  学習 ,  SVM