Jun, 2024

利用深度神经网络检测疟疾细胞

PDF
TL;DR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。
malariadiagnosisdeep learningconvolutional neural networkmedical image analysis
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • COVID_MTNet：基于多任务深度学习方法的 COVID-19 检测

    该研究提出了一种基于多任务深度学习方法的快速有效的 COVID-19 患者识别方法，同时考虑 X 射线和 CT 扫描图像，使得 COVID-19 检测的测试准确率分别为 84.67％和 98.78％，并提出了一种定量分析策略以确定 X 射线和 CT 图像中的感染区域百分比，为 COVID-19 检测和感染区域定位提供了有前景的结果。

    Apr, 2020

  • 基于深度学习的植物病害图像检测

    利用 54,306 张植物叶片图像数据，训练深度卷积神经网络以识别 14 种作物和 26 种疾病，并利用全球智能手机渗透率的提高和近期深度学习中的计算机视觉技术，实现智能手机辅助作物疾病诊断的可行性。

    Apr, 2016

  • 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

  • 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