May, 2024

M2ANET：移动疟疾注意力网络用于高效分类血细胞中的疟原虫

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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 Faster R-CNN 进行疟疾图像物体检测

    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

  • 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

  • 基于移动端深度学习模型的香蕉病害检测

    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

  • 现代计算机视觉模型用于血细胞分类的分析

    通过使用 MaxVit，EfficientVit，EfficientNet，EfficientNetV2 和 MobileNetV3 等最新的高效架构，本研究旨在评估这些模型在白细胞分类中的性能，为当前方法提供更高效、可靠的替代方案，并探索创新的深度学习模型在血液分析中的应用。

    Jun, 2024

  • 一种利用深度多注意力通道网络的新型框架，用于通过荧光显微镜自动检测转移细胞

    我们开发了一个透明的计算机大规模成像框架，可以区分正常和转移的人类细胞。该方法依赖于荧光显微镜图像，显示正常和转移的单个细胞中肌动蛋白和微丝蛋白丝的空间组织，并结合多重关注通道网络和全局可解释技术。通过深度学习网络和新的多重关注通道架构，我们对网络的可解释性进行了增强，并开发了一种可解释的全局可解释方法，将细胞图像的加权几何平均值与局部 GradCam 分数进行相关联。通过我们的分析结果，我们首次能够更详细、更具生物学意义地理解由正常细胞转变为侵袭和转移细胞伴随的细胞骨架变化。我们还为未来诊断工具开发铺平了一条可能的空间微米级生物标志物的道路（微丝蛋白的空间分布）。

    Sep, 2023

  • 基于 MobileNetV3 的农业病害快速识别方法改进

    本文介绍了基于 MobileNetV3 的 Coordinate Attention 块来解决农业害虫和疾病识别模型过重难以应用的问题，在减小模型体积和提高模型准确率的基础上，成功将模型部署到 Jetson Nano 上，可为其他嵌入式设备的农业害虫和疾病识别提供参考。

    Jul, 2022

  • 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