論文の概要: Red Blood Cell Segmentation with Overlapping Cell Separation and
Classification on Imbalanced Dataset
- arxiv url: http://arxiv.org/abs/2012.01321v2
- Date: Wed, 9 Dec 2020 06:29:54 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-25 03:46:08.535248
- Title: Red Blood Cell Segmentation with Overlapping Cell Separation and
Classification on Imbalanced Dataset
- Title(参考訳): 不均衡データセット上の重複細胞分離と分類を伴う赤血球分画
- Authors: Korranat Naruenatthanaset, Thanarat H. Chalidabhongse, Duangdao
Palasuwan, Nantheera Anantrasirichai, Attakorn Palasuwan
- Abstract要約: 重なり合う細胞は、分類する前に複数の単一のRBCに分離しなければならない誤った予測結果を引き起こすことがある。
深層学習で複数のクラスを分類するためには、正常なサンプルが稀な疾患のサンプルよりも常に高いため、医療画像では不均衡の問題が一般的である。
本稿では,血液スミア画像から赤血球を分離・分類する新しい手法を提案する。
- 参考スコア(独自算出の注目度): 1.7219362335740878
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Automated red blood cell classification on blood smear images helps
hematologist to analyze RBC lab results in less time and cost. Overlapping
cells can cause incorrect predicted results that have to separate into multiple
single RBCs before classifying. To classify multiple classes with deep
learning, imbalance problems are common in medical imaging because normal
samples are always higher than rare disease samples. This paper presents a new
method to segment and classify red blood cells from blood smear images,
specifically to tackle cell overlapping and data imbalance problems. Focusing
on overlapping cell separation, our segmentation process first estimates
ellipses to represent red blood cells. The method detects the concave points
and then finds the ellipses using directed ellipse fitting. The accuracy is
0.889 on 20 blood smear images. Classification requires balanced training
datasets. However, some RBC types are rare. The imbalance ratio is 34.538 on 12
classes with 20,875 individual red blood cell samples. The use of machine
learning for RBC classification with an imbalance dataset is hence more
challenging than many other applications. We analyze techniques to deal with
this problem. The best accuracy and f1 score are 0.921 and 0.8679 on
EfficientNet-b1 with augmentation. Experimental results show that the weight
balancing technique with augmentation has the potential to deal with imbalance
problems by improving the f1 score on minority classes while data augmentation
significantly improves the overall classification performance.
- Abstract(参考訳): 血液スメア画像上の赤血球の自動分類は、血液学者がrbc検査結果を分析するのに役立つ。
重なり合う細胞は、分類する前に複数の単一のRBCに分離しなければならない誤った予測結果を引き起こす。
深層学習で複数のクラスを分類するには、正常標本が稀な疾患サンプルよりも常に高いため、医療画像では不均衡の問題が一般的である。
本稿では,血液スミア画像から赤血球を分離・分類する新しい手法を提案する。
重なり合う細胞分離に焦点をあてて、我々のセグメンテーションプロセスはまず赤血球を推定する。
この方法は凹点を検出し、有向楕円フィッティングを用いて楕円を求める。
精度は、20枚の血液スミア画像で0.889である。
分類にはバランスのとれたトレーニングデータセットが必要です。
しかし、RBCタイプは稀である。
不均衡比は12クラスで34.538で、赤血球サンプルは20,875個である。
不均衡データセットを用いたRBC分類における機械学習の利用は、他の多くのアプリケーションよりも困難である。
我々はこの問題に対処する技術を分析する。
最高の精度とf1スコアは、強化された efficientnet-b1 の 0.921 と 0.8679 である。
実験の結果,データ拡張によって分類性能が著しく向上する一方で,マイノリティクラスにおけるf1スコアを改善することにより,拡張を伴う重みバランス技術が不均衡問題に対処する可能性が示唆された。
関連論文リスト
- Automatic Classification of Blood Cell Images Using Convolutional Neural
Network [8.452349885923507]
ヒトの血液は、主に血漿、赤血球、白血球、血小板から構成される。
栄養素を異なる臓器に輸送する上で重要な役割を担っている。
血液分析は、医師が個人の生理状態を評価するのに役立つ。
論文 参考訳(メタデータ) (2023-08-11T07:57:12Z) - Imbalanced Domain Generalization for Robust Single Cell Classification
in Hematological Cytomorphology [3.7007225479462402]
我々は、ドメイン間データの不均衡とドメインシフトに対処して、WBC分類のための堅牢なCNNを訓練する。
提案手法は,既存手法と比較してF1マクロスコアが最適である。
論文 参考訳(メタデータ) (2023-03-14T10:20:31Z) - Dynamic Bank Learning for Semi-supervised Federated Image Diagnosis with
Class Imbalance [65.61909544178603]
クラス不均衡半教師付きFL(imFed-Semi)の実用的かつ困難な問題について検討する。
このImFed-Semi問題は、クラス比例情報を利用してクライアントトレーニングを改善する新しい動的銀行学習方式によって解決される。
25,000個のCTスライスによる頭蓋内出血診断と10,015個の皮膚内視鏡画像による皮膚病変診断の2つの公開実世界の医療データセットに対するアプローチを評価した。
論文 参考訳(メタデータ) (2022-06-27T06:51:48Z) - Large-Margin Representation Learning for Texture Classification [67.94823375350433]
本稿では,テクスチャ分類のための小さなデータセット上で教師付きモデルをトレーニングするために,畳み込み層(CL)と大規模計量学習を組み合わせた新しいアプローチを提案する。
テクスチャと病理画像データセットの実験結果から,提案手法は同等のCNNと比較して計算コストが低く,収束が早く,競争精度が向上することが示された。
論文 参考訳(メタデータ) (2022-06-17T04:07:45Z) - Wide & Deep neural network model for patch aggregation in CNN-based
prostate cancer detection systems [51.19354417900591]
前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。
自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。
パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
論文 参考訳(メタデータ) (2021-05-20T18:13:58Z) - Acute Lymphoblastic Leukemia Detection from Microscopic Images Using
Weighted Ensemble of Convolutional Neural Networks [4.095759108304108]
本稿では,深層畳み込みニューラルネットワーク(cnns)を用いた顕微鏡細胞画像からの全検出タスクを自動化した。
ネットワークのより優れた一般化を達成するために、様々なデータ拡張と前処理が組み込まれている。
提案する重み付きアンサンブルモデルでは, アンサンブル候補のカッパ値を重みとして, 重み付きF1スコア88.6 %, バランス付き精度86.2 %, 予備試験セットのAUC0.941を出力した。
論文 参考訳(メタデータ) (2021-05-09T18:58:48Z) - RA-GCN: Graph Convolutional Network for Disease Prediction Problems with
Imbalanced Data [47.00510780034136]
クラス不均衡は疾患予測の分野でよく知られた問題である。
本稿では,グラフベースの分類器の性能を高めるために,Re-weighted Adversarial Graph Convolutional Network (RA-GCN)を提案する。
本研究では,ra-gcnの合成および3種類の医療用データセットに対する優越性を示す。
論文 参考訳(メタデータ) (2021-02-27T14:06:27Z) - Comparisons among different stochastic selection of activation layers
for convolutional neural networks for healthcare [77.99636165307996]
ニューラルネットワークのアンサンブルを用いて生体医用画像の分類を行う。
ReLU, leaky ReLU, Parametric ReLU, ELU, Adaptive Piecewice Linear Unit, S-Shaped ReLU, Swish, Mish, Mexican Linear Unit, Parametric Deformable Linear Unit, Soft Root Sign。
論文 参考訳(メタデータ) (2020-11-24T01:53:39Z) - Classification of COVID-19 in CT Scans using Multi-Source Transfer
Learning [91.3755431537592]
我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。
マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。
我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
論文 参考訳(メタデータ) (2020-09-22T11:53:06Z) - Attention based Multiple Instance Learning for Classification of Blood
Cell Disorders [38.086308180994976]
血液細胞障害患者の血液サンプルを分類するために,注意に基づく多症例学習法を提案する。
各細胞から抽出された特徴により、患者サンプルを4つの血液細胞障害のうち1つに分類する。
注意機構は、各セルの全体的な分類への貢献度を測定し、ネットワークの分類精度と医療専門家に対する解釈可能性を大幅に改善する。
論文 参考訳(メタデータ) (2020-07-22T19:29:40Z) - Convolutional Neural Networks based Focal Loss for Class Imbalance
Problem: A Case Study of Canine Red Blood Cells Morphology Classification [8.121462458089143]
誤分類された赤血球の形態は、偽の疾患の診断と不適切な治療につながる。
過去10年間、ヒト赤血球の形態を分類するための多くのアプローチが提案されてきた。
クラス不均衡問題は、多数派クラスに対するバイアス付きモデルにつながる可能性がある。
論文 参考訳(メタデータ) (2020-01-10T07:31:57Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。