Deep CNN frameworks comparison for malaria diagnosis
Télécom SudParis（高等电信学院（巴黎综合理工学院成员））；Institut Polytechnique de Paris（巴黎综合理工学院）
我们比较了深度卷积神经网络（DCNN）框架，即AlexNet和VGGNet，用于在只有少量训练集的情况下，对大型、灰度、低质量和低分辨率显微图像中的健康和疟疾感染细胞进行分类。实验结果提供了有希望的结果的路径上快速，自动和精确的分类未染色的图像。
2019-09-06 cs.CV cs.LG eess.IV
Approaching Bio Cellular Classification for Malaria Infected Cells Using Machine Learning and then Deep Learning to compare & analyze K-Nearest Neighbours and Deep CNNs
University of Waterloo（滑铁卢大学）
疟疾是一种致命的疾病，每年夺去数十万人的生命。计算方法已被证明是有用的，在医疗行业提供有效的手段，诊断成像和疾病识别的分类。本文探讨了不同的机器学习方法在细胞图像中的疟疾的存在进行分类的上下文中。许多机器学习方法可以应用于同一个问题;一个机器学习方法是否更适合一个问题的问题在很大程度上取决于问题本身和模型的实现。特别是，卷积神经网络和k近邻都进行了分析和对比，就其应用于分类疟疾的存在和每个模型的经验性能。在这里，我们实现了两种分类模型：一个卷积神经网络和k近邻算法。这两种算法进行了比较的基础上验证精度。对于我们的实现，CNN（95%）的性能比kNN（75%）好25%。
2020-05-22 cs.CV cs.LG eess.IV
PlasmoID: A dataset for Indonesian malaria parasite detection and segmentation in thin blood smear
Universitas Gadjah Mada（加查马达大学）
印度尼西亚是东南亚疟疾病例数量第二多的国家。基于深度学习方法的不同疟疾寄生虫语义分割技术是减少传统方法局限性的替代方案。然而，语义分割技术的主要问题是提出，因为大的寄生虫占主导地位，和微小的寄生虫被抑制。另外，数据的数量和方差也是影响模型建立的重要因素。在这项研究中，我们进行了两个贡献。首先，我们收集了559个显微图像，其中包含691个疟原虫的薄血涂片。该数据集名为PlasmoID，大部分数据来自印度尼西亚农村。PlasmoID还为寄生虫检测和分割目的提供地面实况。其次，本研究提出了一种疟疾寄生虫分割和检测方案，结合快速RCNN和语义分割技术。所提出的方案已在PlasmoID数据集上进行了评估。它与最近的语义分割技术研究进行了比较，即UNet，ResFCN-18，DeepLabV 3，DeepLabV 3 plus和ResUNet-18。实验结果表明，与原有的语义分割技术相比，我们提出的方法可以提高疟原虫的分割和检测性能。
2022-11-28 cs.CV eess.IV
MOSQUITO-NET: A deep learning based CADx system for malaria diagnosis along with model interpretation using GradCam and class activation maps
疟疾被认为是当今世界上最致命的疾病之一，每年造成数千人死亡。引起疟疾的寄生虫在科学上被称为疟原虫，它感染人类的红细胞。这种寄生虫是由一种叫做按蚊的雌性蚊子传播的。疟疾的诊断需要医务人员在显微镜下的血涂片中对寄生虫细胞进行鉴定和人工计数。由于资源的不可获得性，其诊断准确性在很大程度上受到大规模筛查的影响。基于深度学习算法（如CNN）的计算机辅助诊断技术，具有端到端特征提取和分类功能，已广泛用于各种图像识别任务。在本文中，我们评估了定制的convnet Mosquito-Net的性能，对感染和未感染的细胞进行分类，用于疟疾诊断，由于其参数少，计算能力低，可以部署在边缘和移动设备上。因此，在缺乏医疗设施的偏远和农村地区，它可以被广泛首选用于诊断。
2020-06-19 cs.CV cs.LG eess.IV
Automated Web-Based Malaria Detection System with Machine Learning and Deep Learning Techniques
Addis Ababa Institute of Technology, Addis Ababa University（亚的斯亚贝巴大学亚的斯亚贝巴理工学院）；Opus College of Engineering, Marquette University（马凯特大学奥普斯工程学院）；Leuven Center for Affordable Healthcare Technology, KU Leuven（鲁汶大学鲁汶平价医疗技术中心）
本研究提出基于深度学习和机器学习的自动化疟疾检测系统，利用CNN和迁移学习模型（VGG19、InceptionV3、Xception）及SVM，在NIH数据集上训练，最高准确率达97%，并通过网络界面供用户上传血涂片图像进行检测。
2024-06-27 cs.AI cs.CV cs.LG
Deep Learning Enhanced Extended Depth-of-Field for Thick Blood-Film Malaria High-Throughput Microscopy
University College London（伦敦大学学院）；University of Ibadan（伊巴丹大学）；University College Hospital, Ibadan（伊巴丹大学学院医院）
疟疾的快速准确诊断仍然是一个全球性的健康挑战，自动化数字病理学方法可以提供可扩展的解决方案，适用于中低收入国家。在这里，我们解决的问题，扩展景深（EDoF）厚血膜显微镜快速自动诊断疟疾。具有大数值孔径的高放大倍数油物镜（100倍）通常首选用于解析精细结构细节，以帮助将真正的寄生虫与干扰物分离。然而，这种物镜具有非常有限的景深，需要在每个视场（FOV）的不同焦平面处采集一系列图像。目前基于多尺度分解的EDoF技术是耗时的，因此不适合于高通量的样品分析。为了克服这一挑战，我们开发了一种新的基于卷积神经网络（EDoF-CNN）的深度学习方法，该方法能够快速执行扩展景深，同时还提高了所得融合图像的空间分辨率。我们使用来自恶性疟原虫疟疾患者的Giemsa染色厚血涂片的模拟低分辨率z堆栈来评估我们的方法。与传统的多尺度方法相比，EDoF-CNN可以加快我们的数字病理学采集平台的速度，并显著提高EDoF的质量，当应用于与具有较少焦平面、较大相机像素合并或较低放大倍数物镜（较大FOV）的采集相对应的较低分辨率堆栈时。我们在EDoF上使用深度学习模型的寄生虫检测准确性作为这种方法的具体、特定于任务的性能指标。
2019-06-18 cs.CV eess.IV
Out of distribution detection for skin and malaria images
Information Technology University（信息技术大学）；The Home Depot（家得宝）；Central Park Medical College（中央公园医学院）
深度神经网络在使用医学图像数据进行疾病检测和分类方面显示出了很好的效果。然而，它们仍然面临着处理现实世界场景的挑战，特别是可靠地检测分布外（OoD）样本。我们提出了一种方法来鲁棒地分类OoD样本在皮肤和疟疾图像，而不需要在训练过程中访问标记的OoD样本。具体来说，我们使用度量学习和逻辑回归来迫使深度网络学习更丰富的类代表特征。为了指导对OoD示例的学习过程，我们通过移除图像中特定于类的显著区域或置换图像部分并使其远离分布样本来生成ID相似外观的示例。在推理时间，K-倒数最近邻被用来检测分布外的样本。对于皮肤癌OoD检测，我们采用两个标准的基准皮肤癌ISIC数据集作为ID，六个不同的数据集具有不同的难度水平被视为分布。对于疟疾OoD检测，我们使用BBBC 041疟疾数据集作为ID，并使用五个不同的挑战性数据集作为分布。我们取得了最先进的结果，在TNR@TPR95%中，皮肤癌和疟疾OoD检测分别比之前的最先进水平提高了5%和4%。
2021-11-02 cs.CV eess.IV
Malaria Parasitic Detection using a New Deep Boosted and Ensemble Learning Framework
University of Engineering and Applied Science, Swat（斯瓦特工程与应用科学大学）；Princess Nourah bint Abdulrahman University（努拉·宾特·阿卜杜拉赫曼公主大学）
针对疟疾人工筛查费力且易错的问题，提出新型深度增强与集成学习（DBEL）框架，通过堆叠Boosted-BR-STM卷积网络与集成ML分类器提取深层判别特征，在NIH数据集上准确率达98.50%，显著提升检测性能。
2024-03-20 cs.CV cs.LG eess.IV
AnoMalNet: Outlier Detection based Malaria Cell Image Classification Method Leveraging Deep Autoencoder
BRAC University（BRAC大学）
本文提出 AnoMalNet，一种仅用未感染细胞图像训练自编码器、通过损失阈值进行离群点检测的疟疾细胞分类方法，在极端类别不平衡下取得优于大型模型的性能。
2024-02-20 cs.CV eess.IV
Plasmodium Detection Using Simple CNN and Clustered GLCM Features
Universitas Gadjah Mada（加札马达大学）
疟疾是一种严重的疾病，由疟原虫寄生虫引起，通过雌性按蚊的叮咬传播，并侵入人体红细胞。必须准确识别疟疾，以便及时治疗病人，防止感染的进一步蔓延。使用显微镜检查的标准诊断技术是低效的，诊断的质量取决于血涂片的质量和显微镜医师在分类和计数感染和非感染细胞方面的经验。卷积神经网络（CNN）是一种深度学习类，能够自动化特征工程并学习有效的特征，这些特征在诊断疟疾方面非常有效。本研究提出一种基于简单CNN的智能系统，用于通过薄血涂片图像检测疟原虫。CNN模型获得了97%的高灵敏度和81%的相对高PPV。本研究亦提出一种利用感兴趣区域之灰阶共生矩阵（GLCM）中所抽取之特征分群来减少误报的方法。添加GLCM功能可以显著减少误报。然而，这种技术需要手动设置轮廓和欧几里得距离限制，以确保聚类质量，因此它不会对灵敏度产生不利影响。
2019-09-28 cs.CV eess.IV
M2ANET: Mobile Malaria Attention Network for efficient classification of plasmodium parasites in blood cells
University of Garmian（加尔米安大学）；Sulaimani Polytechnic University（苏莱曼尼理工大学）；Beihang University（北京航空航天大学）
本研究提出M2ANET混合移动网络，结合MBConv3与改进全局多头自注意力，在血细胞图像疟原虫分类中兼顾精度与效率，优于现有轻量级模型，适用于资源受限环境。
2024-05-23 cs.CV eess.IV
CIDMP: Completely Interpretable Detection of Malaria Parasite in Red Blood Cells using Lower-dimensional Feature Space
University of Memphis（孟菲斯大学）
预测红细胞（RBC）是否感染疟原虫是病理学中的一个重要问题。最近，有监督的机器学习方法已经被用于这个问题，并且它们已经取得了合理的成功。特别地，诸如卷积神经网络的现有技术的方法自动地从图像像素提取越来越复杂的特征层次。虽然这种广义的自动特征提取方法显着减少了在许多领域的特征工程的负担，对于小生境的任务，如我们在本文中考虑的，他们导致两个主要问题。首先，它们使用非常大量的特征（可能相关也可能不相关），因此训练这样的模型在计算上是昂贵的。此外，更重要的是，大的特征空间使得很难解释哪些特征对预测真正重要。因此，对这种方法的批评是，学习算法向其用户（在这种情况下是医学专家）提出了不透明的黑匣子。这种算法的推荐很容易理解，但推荐的原因并不清楚。这就是模型的不可解释性问题，而性能最好的算法通常是最不可解释的。为了解决这些问题，在本文中，我们提出了一种方法来提取非常少量的聚合特征，这些特征易于解释和计算，并根据经验表明，即使在特征空间显著减少的情况下，我们也能获得很高的预测精度。
2020-07-05 cs.CV cs.LG eess.IV
Out of Distribution Detection and Adversarial Attacks on Deep Neural Networks for Robust Medical Image Analysis
African Institute for Mathematical Sciences（非洲数学科学研究所）；Stanford University（斯坦福大学）
深度学习模型已成为医学图像分析的热门选择。然而，深度学习模型的泛化性能较差，限制了它们在现实世界中的部署，因为鲁棒性对于医疗应用至关重要。例如，最先进的卷积神经网络（CNN）无法检测对抗样本或在统计上远离训练分布的样本。在这项工作中，我们实验评估的鲁棒性的Mahalanobis距离为基础的置信分数，一个简单而有效的方法来检测异常的输入样本，在分类疟疾寄生细胞和未感染的细胞。结果表明，Mahalanobis置信分数检测器表现出深度学习模型的性能和鲁棒性的改进，并在分布外（OOD）和对抗样本上实现了最先进的性能。
2021-07-10 cs.CV cs.LG eess.IV
Understanding Deep Neural Network Predictions for Medical Imaging Applications
University of Dayton（代顿大学）；University of Dayton Research Institute（代顿大学研究院）
计算机辅助检测是近十年来引起人们极大兴趣的一个研究领域。机器学习算法已被广泛用于此应用，因为它们为医生提供了有价值的第二意见。尽管有几种机器学习模型可用于医学成像应用，但由于网络所做决策的不可解释性，在现实世界中实现的并不多。在本文中，我们研究了深度神经网络在不同成像模式下检测疟疾、糖尿病视网膜病变、脑肿瘤和结核病的结果。我们可视化所有应用程序的类激活映射，以增强对这些网络的理解。这种类型的可视化以及相应的网络性能指标将有助于数据科学专家更好地理解他们的模型，并帮助医生进行决策。
2019-12-20 cs.AI cs.CV cs.LG
A deep convolutional neural network for salt-and-pepper noise removal using selective convolutional blocks
Shiraz University（设拉子大学）
针对现有卷积神经网络在椒盐噪声去除领域研究不足的问题，本文提出含新型选择性卷积块的SeConvNet模型，经多数据集实验验证，其在量化指标和视觉效果上均优于现有最优方法，高噪声密度下优势更显著。
2023-02-10 cs.CV eess.IV
Perineural Invasion Detection in Multiple Organ Cancer Based on Deep Convolutional Neural Network
Shiraz University of Technology（设拉子科技大学）；National Brain Mapping Laboratory（国家脑图谱实验室）
恶性肿瘤细胞的神经浸润（PNI）已被报道为各种癌症预后不良的独立指标。在载玻片上评估小神经中的PNI是一项劳动密集型任务。在这项研究中，我们提出了一种算法来检测神经浸润的结肠癌，前列腺癌和胰腺癌的卷积神经网络（CNN）的基础上。
2021-10-23 cs.CV eess.IV
Deep Transfer Convolutional Neural Network and Extreme Learning Machine for Lung Nodule Diagnosis on CT images
文章的某些内容需要保密
2020-04-28 cs.CV cs.LG eess.IV
GaborNet: Gabor filters with learnable parameters in deep convolutional neural networks
Moscow Institute of Physics and Technology（莫斯科物理技术学院）
本文描述了一种使用深度卷积神经网络进行图像识别的系统。提出了改进的网络结构，重点是提高收敛性和降低训练复杂度。网络第一层中的滤波器被约束以拟合Gabor函数。Gabor函数的参数是可学习的，并通过标准的反向传播技术进行更新。该系统在Python上实现，在几个数据集上进行了测试，性能优于常见的卷积网络。
2019-04-30 cs.CV cs.LG eess.IV
Deepfake Detection using Spatiotemporal Convolutional Networks
University of Michigan（密歇根大学）
更好的生成模型和更大的数据集导致了更逼真的假视频，这些假视频可以欺骗人眼，但会产生深度学习方法可以检测到的时间和空间伪影。目前大多数Deepfake检测方法仅使用单个视频帧，因此无法从时间信息中学习。我们使用Celeb-DF数据集创建了时空卷积方法性能的基准。我们的方法优于最先进的基于帧的检测方法。我们论文的代码可在https://github.com/oidelima/Deepfake-Detection上公开获取。
2020-06-26 cs.CV cs.LG eess.IV
Towards Deep and Efficient: A Deep Siamese Self-Attention Fully Efficient Convolutional Network for Change Detection in VHR Images
Wuhan University（武汉大学）
近来，光纤通信网络在光盘领域引起了广泛的关注。为了追求更好的CD性能，设计更深、更复杂的光纤耦合网络已成为一种趋势，这不可避免地带来了大量的参数和难以承受的计算负担。为了设计一个相当深入的架构以获得更精确的CD结果，同时减少参数数量以提高效率，在这项工作中，我们提出了一个非常深入和高效的CD网络，名为EffCDNet。在EffCDNet中，为了减少与深度架构相关的众多参数，引入了由深度卷积和具有通道混洗机制的组卷积组成的高效卷积来取代标准卷积层。在具体的网络架构方面，EffCDNet并没有采用主流的类UNet架构，而是采用了非常深度的编码器和轻量级的解码器的架构。在非常深的编码器中，通过高效卷积堆叠的两个非常深的连体流首先从输入图像对中提取两个高度代表性和信息量丰富的特征图。随后，一个有效的ASPP模块的设计，以捕捉多尺度变化信息。在轻量级解码器中，一个经常性的交叉自注意（RCCA）模块被应用到有效地利用非局部相似特征表示，以提高每个像素的可辨别性，从而有效地分离变化和不变的区域。此外，针对模糊像素的优化问题，提出了两种新的基于信息熵的损失函数。在两个具有挑战性的CD数据集上，我们的方法优于其他基于SOTA FCN的方法，只有基准级别的参数数量和相当低的计算开销。
2021-08-18 cs.CV cs.LG eess.IV
Dense-Sparse Deep Convolutional Neural Networks Training for Image Denoising
Khalifa University（哈利法大学）；King Fahd University of Petroleum and Minerals（法赫德国王石油与矿产大学）
本文提出用稠密-稀疏-稠密训练方法精简深度去噪卷积神经网络，在保持去噪性能相当的同时显著减少可训练参数和处理时间。
2024-08-30 cs.AI cs.LG eess.IV
Deep Convolutional Sparse Coding Networks for Image Fusion
Xi’an Jiaotong University（西安交通大学）
图像融合在包括数字摄影、计算成像和遥感等许多领域都是一个重要的问题。最近，深度学习已经成为图像融合的重要工具。本文提出了三种深度卷积稀疏编码（CSC）网络，用于三种图像融合任务（即，红外和可见光图像融合、多次曝光图像融合和多模态图像融合）。CSC模型和迭代收缩阈值算法被推广到字典卷积单元。因此，所有超参数都是从数据中学习的。我们广泛的实验和全面的比较揭示了所提出的网络在定量评估和视觉检查方面的优越性。
2020-05-18 cs.CV cs.MM eess.IV
Diagnosing Cardiac Abnormalities from 12-Lead Electrocardiograms Using Enhanced Deep Convolutional Neural Networks
Rice University（莱斯大学）；Prudence Medical Technologies Ltd（审慎医疗技术有限公司）
我们训练一个增强的深度卷积神经网络，以便使用14000个ECG的数据集从标准12导联心电图（ECG）中识别8种心脏异常。与直接应用端到端的深度学习方法不同，我们发现用复杂的手工特征增强的深度卷积神经网络在减少泛化错误方面具有优势。此外，数据预处理和增强是必不可少的，因为八个心脏异常的分布在给定的数据集中是高度偏倚的。我们的方法取得了良好的推广性能，在第一届中国心电智能竞赛的竞争心电数据集上的实证评估，以验证我们的设计的有效性。
2019-08-15 cs.LG eess.IV eess.SP
Convolutional Normalization: Improving Deep Convolutional Network Robustness and Training
Center for Data Science, New York University（纽约大学数据科学中心）；Courant Institute of Mathematical Sciences, New York University（纽约大学库朗数学科学研究所）；Department of EECS, UC Berkeley（加州大学伯克利分校电气工程与计算机科学系）；Electrical and Computer Engineering, University of Denver（丹佛大学电气与计算机工程系）；Department of EECS, University of Michigan（密歇根大学电气工程与计算机科学系）
归一化技术已经成为现代卷积神经网络（ConvNets）中的基本组成部分。特别是，最近的许多工作表明，促进权重的正交性有助于训练深度模型并提高鲁棒性。对于ConvNets，大多数现有的方法都是基于惩罚或归一化权重矩阵，这些权重矩阵是从连接或平坦卷积核中获得的。这些方法通常会破坏或忽略内核的良性卷积结构;因此，它们对于深度ConvNets来说通常是昂贵或不切实际的。相比之下，我们引入了一种简单有效的“卷积归一化”（ConvNorm）方法，该方法可以充分利用傅立叶域中的卷积结构，并作为一个简单的即插即用模块，方便地集成到任何ConvNet中。我们的方法的灵感来自于最近的工作预处理方法的卷积稀疏编码，可以有效地促进每一层的通道的等距。此外，我们还证明了我们的ConvNorm可以降低权重矩阵的逐层谱范数，从而提高网络的Lipschitz性，从而使深度ConvNets的训练更容易，鲁棒性更高。应用于噪声污染和生成对抗网络（GAN）下的分类，我们证明了ConvNorm提高了ResNet等常见ConvNet的鲁棒性和GAN的性能。我们通过CIFAR和ImageNet上的数值实验验证了我们的发现。
2022-01-04 cs.AI cs.CV cs.LG
