CVPRApr, 2018

使用 Faster R-CNN 进行疟疾图像物体检测

PDF
TL;DR本研究使用基于深度学习的 Faster R-CNN 模型对恶性疟疾感染的血液细胞进行目标检测和识别，对比传统方法和专家手动算数，证明 Faster R-CNN 在细胞识别上更有效。
object detectionbiological image datafaster r-cnnmalaria-infected bloodcell recognition
发现论文，激发创造
  • 利用深度神经网络检测疟疾细胞

    使用深度学习方法自动化检测疟疾感染细胞，通过 ResNet50 卷积神经网络模型和训练集 27,558 张分为感染和未感染细胞的 Malaria Cell Images Dataset 的转移学习，实现高准确率、精确度和召回率，证明其在疟疾诊断中的潜力，且开发了 Streamlit 的网络应用以提供上传细胞图像和接收疟疾感染预测的用户友好的技术。

    Jun, 2024

  • 基于机器学习和深度学习技术的自动化基于网络的疟疾检测系统

    我们使用传统的 CNN 和迁移学习模型（VGG19、InceptionV3 和 Xception）来构建深度学习技术，用于疟疾感染细胞分类。测试结果显示，深度 CNN 具有最高的准确度（97%），其次是 Xception（95%）。用户可以通过网页界面上传血涂片图像进行疟疾检测。

    Jun, 2024

  • 使用 ResNet50 主干的迁移学习辅助诊断疟疾

    本篇论文提出了一种基于 ResNet50 深度神经网络的计算机辅助诊断方法来检测感染疟疾的血液薄片细胞图像，其分类准确率和召回率分别达到 98.75% 和 99.5%。

    Apr, 2023

  • M2ANET：移动疟疾注意力网络用于高效分类血细胞中的疟原虫

    通过结合 MBConv3 和改进的全局 MHSA 机制，我们设计了 M2ANET 模型，用于在血细胞图像中高效分类疟原虫，通过对基准测试的广泛实验，我们证明了 M2ANET 在准确性和效率方面优于一些先进的轻量级和移动网络，同时讨论了 M2ANET 在推动疟疾诊断和治疗方面的潜在影响，并强调了它在资源有限的医疗保健环境中部署的适用性，M2ANET 的开发代表了在高效准确的疟疾检测追求中的重大进展，对医学图像分析和全球医疗保健倡议具有广泛的影响。

    May, 2024

  • 基于深度卷积神经网络的显微镜点滴诊断

    本文使用深度卷积神经网络对三个不同的显微镜任务（血液涂片中的疟原虫，痰液样本中的结核菌和粪便样本中的肠道寄生虫卵）进行评估，结果表明准确性非常高，远远优于其他代表传统医学成像技术的替代方案。

    Aug, 2016

  • 深度学习和机器学习在疟疾检测中的应用：概述，挑战和未来方向

    使用各种机器学习和图像处理方法，探测和预测疟疾疾病的潜力，发现深度学习技术作为智能工具在疟疾检测中具有广泛适用性，旨在针对深度学习在计算机框架和组织方面的常见限制进行未来的研究方向。

    Sep, 2022

  • 人脸 R-CNN

    提出了一种基于 Faster R-CNN 的深度人脸检测方法，通过新的多任务损失函数设计、在线困难样本挖掘和多尺度训练策略等多种技术手段，名为 Face R-CNN 的方法在 FDDB 和 WIDER FACE 两个人脸检测基准测试中证明了在多方面的优越性。

    Jun, 2017

  • 快速 R-CNN

    本文提出了一种用于物体检测的快速区域卷积网络方法（Fast R-CNN），该方法采用了深度卷积神经网络对目标建议进行高效分类，相较于之前的方法，在提高检测精度的同时，大幅提高了训练和测试的速度。

    Apr, 2015

  • BloodCell-Net: 人体所有微观血细胞图像的轻量级卷积神经网络分类

    通过深度学习方法，我们提出了一种自动化的血细胞分类和计数系统，利用 U-Net 模型进行血细胞分割，并应用 BloodCell-Net 方法对血细胞进行分类，实现了令人印象深刻的性能指标。

    Apr, 2024

  • 自动细胞核分割的 Mask-RCNN 适应性

    本文利用 Mask-RCNN 算法，对多种环境下细胞核的显微图像进行高效自动分割。

    May, 2018