Эффективный алгоритм количественной оценки острого лимфобластического лейкемия по изображениям клеток крови с использованием алгоритма опорных векторов

Admin bo'lib kirish (www.admin.slib.uz)

Tizim sinov (TEST) rejimida ishlamoqda! Murojat uchun @slib_support

Eski talqinga o'tish link

2 август 2024

Asosiy til:Ingliz

Эффективный алгоритм количественной оценки острого лимфобластического лейкемия по изображениям клеток крови с использованием алгоритма опорных векторов

Fan yo'nalishi:

66ad0be719f9b.pdf

PDF

Raqamli texnologiyalarning nazariy va amaliy masalalari xalqaro jurnali

Maqola chop etish see more

MAQOLA ANNOTATSIYASI

По мере развития возможностей информационных технологий эффективность использования возможностей нейронных сетей CNN, алгоритма с высоким уровнем точности и раннего прогнозирования различных заболеваний по изображениям клеток крови высока. В этом исследовании предлагается эффективный метод раннего выявления острого лимфобластного лейкоза на изображениях клеток крови с использованием алгоритма опорных векторов (SVM). В этом методе распознается структура клеток и используется для идентификации клеточных маркеров, специфичных для лейкемии. Этот алгоритм используется для сопоставления лейкемии с одним маркером на изображении клетки. Сравнивая алгоритмы нейронной сети SNN со случайным лесом (RF), байесовским классификатором, алгоритмами машин опорных векторов (SVM) и K ближайших соседей (KNN), результаты, полученные с помощью машин опорных векторов (SVM), оказались эффективными на 90,9%.

MUALIFLAR

Teglar

# random forest# Bayesian classifier# Support Vector Machines# K nearest neighbor# случайный лес# байесовский классификатор# машины опорных векторов# K ближайший сосед

Maqolani baholang

0

0 ta

Maqola idintifikatorlari

ROI:

https://eroi.uz/11.0192/A0824-0008

DOI:

Mavjud emas

Foydalanilgan adabiyotlar

J. Carreira, R. Caseiro, J. Batista, and C. Sminchisescu. Semantic segmentation with second-order pooling. In ECCV, 2012.

R. Caruana. Multitask learning. Machine learning, 28(1), 1997.

K. Chatfield, K. Simonyan, A. Vedaldi, and A. Zisserman. Return of the devil in the details: Delving deep into convolutional nets. In BMVC, 2014.

J. Deng, W. Dong, R. Socher, L.-J. Li, K. Li, and L. FeiFei. ImageNet: A large-scale hierarchical image database. In CVPR, 2009.

E. Denton, W. Zaremba, J. Bruna, Y. LeCun, and R. Fergus. Exploiting linear structure within convolutional networks for efficient evaluation. In NIPS, 2014.

D. Erhan, C. Szegedy, A. Toshev, and D. Anguelov. Scalable object detection using deep neural networks. In CVPR, 2014 3

M. Everingham, L. Van Gool, C. K. I. Williams, J. Winn, and A. Zisserman. The PASCAL Visual Object Classes (VOC) Challenge. IJCV, 2010.

P. Felzenszwalb, R. Girshick, D. McAllester, and D. Ramanan. Object detection with discriminatively trained part based models. TPAMI, 2010.

R. Girshick, J. Donahue, T. Darrell, and J. Malik. Rich feature hierarchies for accurate object detection and semantic segmentation. In CVPR, 2014.

R. Girshick, J. Donahue, T. Darrell, and J. Malik. Region based convolutional networks for accurate object detection and segmentation. TPAMI, 2015.

K. He, X. Zhang, S. Ren, and J. Sun. Spatial pyramid pooling in deep convolutional networks for visual recognition. ECCV, 2014 1-7.

J. H. Hosang, R. Benenson, P. Doll´ makes for effective detection proposals? arXiv preprint arXiv:1502.05082, 2015.

Y. Jia, E. Shelhamer, J. Donahue, S. Karayev, J. Long, R. Girshick, S. Guadarrama, and T. Darrell. Caffe: Convolutional architecture for fast feature embedding. In Proc. of the ACM International Conf. on Multimedia, 2014.

A. Krizhevsky, I. Sutskever, and G. Hinton. ImageNet classification with deep convolutional neural networks. In NIPS, 2012.

S. Lazebnik, C. Schmid, and J. Ponce. Beyond bags of features: Spatial pyramid matching for recognizing natural scene categories. In CVPR, 2006.

Y. LeCun, B. Boser, J. Denker, D. Henderson, R. Howard, W. Hubbard, and L. Jackel. Backpropagation applied to handwritten zip code recognition. Neural Comp., 1989.

M. Lin, Q. Chen, and S. Yan. Network in network. In ICLR, 2014.

T. Lin, M. Maire, S. Belongie, L. Bourdev, R. Girshick, J. Hays, P. Perona, D. Ramanan, P. Doll´ nick. Microsoft COCO: common objects in context. arXive-prints, arXiv:1405.0312 [cs.CV], 2014.