Mustererkennung ki

In diesem Teil bewerten wir die Wirksamkeit unseres vorgeschlagenen Deep Learning-Rahmens. Wir haben das Image-Patch-Dataset nach dem Zufallsprinzip in fünf Teilmengen unterteilt (5-fache Kreuzvalidierung); jede Teilmenge enthält 20 % der Gesamtdaten. Es sollte beachtet werden, dass während der Trainingsphase jedes Mal, wenn wir Patch-Auswahl, Modell-Lernen und Klassifizierung mit den vier Teilmengen durchgeführt. Schließlich wurden die ausgewählten Patches und das trainierte Modell verwendet, um die Leistung des Links-Out-Test-Unter-Datasets zu bewerten. Die fünffachen Kreuzvalidierungsergebnisse sind in Tabelle 3 dargestellt. Darüber hinaus wurde die Leistung auf der Grundlage verschiedener Kombinationen von Trainings- und Testdatensätzen in Tabelle 4 angegeben. Die Seed Point-Auswahl- und Objekterkennungsalgorithmen wurden mit MATLAB- und Python-Tools auf einem Computer mit AMD Opteron Prozessor 128 GB RAM, NVIDIA Titan X pascal GPU entwickelt. Der vorgeschlagene kaskadierte Rahmen erreichte fast 0,974 Trainingsgenauigkeit und 0,0945 Verlust. Xing, F., Su, H., Neltner, J. & Yang, L.

Automatische ki-67 Zählung mit robuster Zellerkennung und Online-Wörterbuchlernen. IEEE Transactions on Biomedical Engineering 61, 859–870 (2014). Die Mustererkennung ist die Fähigkeit, Anordnungen von Merkmalen oder Daten zu erkennen, die Informationen über ein bestimmtes System oder einen bestimmten Datensatz liefern. In einem technologischen Kontext kann ein Muster wiederkehrende Sequenzen von Daten im Laufe der Zeit sein, die verwendet werden können, um Trends vorherzusagen, bestimmte Konfigurationen von Features in Bildern, die Objekte identifizieren, häufige Kombinationen von Wörtern und Phrasen für die natürliche Sprachverarbeitung (NLP) oder bestimmte Verhaltenscluster in einem Netzwerk, die auf einen Angriff hinweisen könnten — unter fast endlosen anderen Möglichkeiten. Die Rechenzeit ist einer der wichtigsten Faktoren des maschinellen Lernens. Aus diesem Grund haben wir immer versucht, die Patchgröße so klein wie möglich zu halten. Die kleine Patchgröße verringert die Rechenzeit und erhöht die Erkennungsleistung. Das Modell benötigte fast 5 Tage (24 x 5 = 120 Stunden) für das Training und dauert im Durchschnitt 1,33 Sekunden (in GPU) und 1,64 Sekunden (in der CPU), um die Hotspots (immunpositive und immunnegative Kerne) zu erkennen. Im Vergleich dazu benötigt die Methode in N. Khan et al.31 durchschnittlich 7 Sekunden, nur um ein Farbbild zu segmentieren.

Insgesamt ist die vorgeschlagene Methode viel effizienter als die bestehenden Ki-67-Scoring-Methoden. Gesichtserkennungssoftware nimmt Daten auf, die sich auf die Eigenschaften des Gesichts einer Person beziehen, und verwendet einen Algorithmus, um dieses spezifische Muster mit einem einzelnen Datensatz in einer Datenbank abzugleichen. Im Erkennungsschritt gibt es eine zusätzliche Option -l, die eingestellt werden kann, um den Liveness-Erkennungstyp anzugeben. Ein Liveness-Erkennungstyp ist unerlässlich, um die Möglichkeiten des Spoofings zu überwinden. Ein Betrüger oder ein gefälschtes bekanntes Gesicht, das ein Bild eines registrierten Benutzers verwendet, kann BRAN aufgrund der clever gestalteten Liveness-Erkennungsprüfungen, mit denen es mit Strom versorgt wird, unmöglich täuschen. Die derzeit verfügbaren Optionen sind sowohl lächeln als auch blinken. Wenn das Nicht-Set nicht gesetzt wird, wird die Option standardmäßig lächeln und erwartet, dass ein bekanntes Gesicht ein Lächeln für eine erfolgreiche Authentifizierung hat. Ja, wir wollen, dass die Leute mit einem Lächeln in unser Büro kommen, 🙂 Im Kontext von KI ist die Mustererkennung eine Unterkategorie des maschinellen Lernens (ML). Ki-67-Erkennungsergebnisse mithilfe des vorgeschlagenen Algorithmus. Akakin, H. C.

et al. Automatisierter Nachweis von Zellen aus immunohistochemisch gefärbten Geweben: Anwendung auf Ki-67 Kernfärbung. In SPIE Medical Imaging, 831503–831503 (International Society for Optics and Photonics, 2012). Die Mustererkennung wird im Allgemeinen nach der Art des Lernverfahrens kategorisiert, das zum Generieren des Ausgabewerts verwendet wird. Überwachtes Lernen setzt voraus, dass eine Reihe von Trainingsdaten (der Schulungssatz) bereitgestellt wurde, die aus einer Reihe von Instanzen bestehen, die von Hand mit der richtigen Ausgabe ordnungsgemäß beschriftet wurden. Ein Lernverfahren generiert dann ein Modell, das versucht, zwei manchmal widersprüchliche Ziele zu erreichen: Führen Sie so gut wie möglich auf die Trainingsdaten, und verallgemeinern Sie so gut wie möglich auf neue Daten (in der Regel bedeutet dies, so einfach wie möglich zu sein, für eine technische Definition von “einfach”, in Übereinstimmung mit Occam Razor, unten besprochen).