Fugu-MT 論文翻訳(概要): Red Blood Cell Segmentation with Overlapping Cell Separation and Classification on Imbalanced Dataset

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

Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
論文参考訳（メタデータ） (2024-09-29T07:04:26Z)
Automatic Classification of White Blood Cell Images using Convolutional Neural Network [0.0]
ヒト免疫系には、細菌感染症、エイズ、がん、脾臓など多くの疾患の指標となる白血球(WBC)が含まれる。伝統的に、実験室では、病理学者や血液学者が顕微鏡で血液細胞を分析し、手動で分類する。本稿ではまず,ResNet-50,InceptionV3,VGG16,MobileNetV2などのCNNプレトレインモデルを用いて,白血球の自動分類を行った。これらのアーキテクチャに触発されて、4種類の白血球を精度良く自動的に分類する枠組みが提案されている。
論文参考訳（メタデータ） (2024-09-19T16:39:46Z)
Deep Learning Segmentation and Classification of Red Blood Cells Using a Large Multi-Scanner Dataset [0.18641315013048293]
RBC画像分割と分類のための2段階のディープラーニングフレームワークを提案する。データセットは8つの異なるクラスを含む100K以上のRBCの非常に多様なデータセットである。 98.03%のIoUと96.5%の平均分類精度がテストセットで達成された。
論文参考訳（メタデータ） (2024-03-27T11:28:32Z)
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)
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)
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。