使用 ResNet50 主干的迁移学习辅助诊断疟疾
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
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
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
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。
Apr, 2018
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
本研究提出基于卷积神经网络的五个预训练模型,使用胸部 X 射线放射状图像实现对冠状病毒肺炎感染者的检测,其中 ResNet50 模型表现最佳,对 Dataset-1、Dataset-2 和 Dataset-3 分别达到 96.1%、99.5% 和 99.7% 的准确率,拥有高效的诊断性能。
Mar, 2020
本研究旨在研发一种基于深度学习的手机应用程序,用于早期检测香蕉枯萎病和黑 SIGATOKA 病,该应用程序对于现实环境下的香蕉叶片的检测可达到 99%的准确率,显示出为小农户提高香蕉产量的潜力。
Apr, 2020
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
本研究基于机器学习建立了 LSTM 预测模型,通过利用与气候变化相关的因素以及疟疾历史数据和人口数据,成功预测了布隆迪国家范围内的疟疾病例,为相关干预措施的制定提供支持。
Jun, 2023
本研究介绍了视觉变换器在 Aedes 和 Culex 幼虫图像分类中的应用,并比较了两个 ViT 模型、两个 CNN 模型的效果,最终发现 ConvNeXT 对于蚊虫幼虫分类非常有效,未来的研究方向包括将 CNN 和 Transformer 架构相结合创建专门用于蚊虫幼虫分类的模型。
Sep, 2022