logo
calendar2 Avgust 2024
view31
Основной язык:Английский

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

Область науки:
pdf

66ad0be719f9b.pdf

PDF

Raqamli texnologiyalarning nazariy va amaliy masalalari xalqaro jurnali

Raqamli texnologiyalarning nazariy va amaliy masalalari xalqaro jurnali

Опубликовать статьюsee more

АННОТАЦИЯ СТАТЬИ

quote
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%.

АВТОРЫ

S.Iskandarova

TATU

F.Tulaganova

TATU

M.Akbarova

TATU

X.Xaitova

TATU

Теги

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

ДРУГИЕ СТАТЬИ ЭТОГО ЖУРНАЛА

Оценить статью

0
оценок: 0
5
4
3
2
1

Идентификаторы статьи

ROI:

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

DOI:

Недоступно

Список литературы

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.