論文の概要: Bone Marrow Cell Recognition: Training Deep Object Detection with A New
Loss Function
- arxiv url: http://arxiv.org/abs/2110.12647v1
- Date: Mon, 25 Oct 2021 05:17:04 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-26 16:42:46.971471
- Title: Bone Marrow Cell Recognition: Training Deep Object Detection with A New
Loss Function
- Title（参考訳）: 骨髄細胞認識 : 新しいロス関数を用いた深部物体検出の訓練
- Authors: Dehao Huang, Jintao Cheng, Rui Fan, Zhihao Su, Qiongxiong Ma, Jie Li
- Abstract要約: 本稿では,新規なロス関数を最小化して学習したYOLOv5ネットワークに基づく骨髄細胞検出アルゴリズムを提案する。
提案する新規損失関数は,骨髄のクラス間の類似性を考慮し,異種クラス間の予測エラーに対するペナルティを増大させ,類似クラス間の予測エラーに対するペナルティを減少させる。
その結果, 提案した損失関数はアルゴリズムの性能を効果的に向上し, 提案した骨髄細胞検出アルゴリズムは他の細胞検出アルゴリズムよりも優れた性能を示した。
- 参考スコア（独自算出の注目度）: 10.34651590388805
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: For a long time, bone marrow cell morphology examination has been an
essential tool for diagnosing blood diseases. However, it is still mainly
dependent on the subjective diagnosis of experienced doctors, and there is no
objective quantitative standard. Therefore, it is crucial to study a robust
bone marrow cell detection algorithm for a quantitative automatic analysis
system. Currently, due to the dense distribution of cells in the bone marrow
smear and the diverse cell classes, the detection of bone marrow cells is
difficult. The existing bone marrow cell detection algorithms are still
insufficient for the automatic analysis system of bone marrow smears. This
paper proposes a bone marrow cell detection algorithm based on the YOLOv5
network, trained by minimizing a novel loss function. The classification method
of bone marrow cell detection tasks is the basis of the proposed novel loss
function. Since bone marrow cells are classified according to series and
stages, part of the classes in adjacent stages are similar. The proposed novel
loss function considers the similarity between bone marrow cell classes,
increases the penalty for prediction errors between dissimilar classes, and
reduces the penalty for prediction errors between similar classes. The results
show that the proposed loss function effectively improves the algorithm's
performance, and the proposed bone marrow cell detection algorithm has achieved
better performance than other cell detection algorithms.
- Abstract（参考訳）: 長い間、骨髄細胞の形態検査は血液疾患の診断に必須のツールであった。
しかし、依然として経験豊富な医師の主観的診断に主に依存しており、客観的な定量的基準はない。
そのため, 定量的自動解析システムのための頑健な骨髄細胞検出アルゴリズムの研究が重要である。
現在, 骨髄スミアおよび多種多様な細胞群の細胞分布が密集しているため, 骨髄細胞の検出は困難である。
既存の骨髄細胞検出アルゴリズムは、骨髄スミアの自動解析システムにはまだ不十分である。
本稿では,新規なロス関数を最小化して学習したYOLOv5ネットワークに基づく骨髄細胞検出アルゴリズムを提案する。
骨髄細胞検出タスクの分類法は,提案する新たな損失機能に基づく。
骨髄細胞はシリーズとステージによって分類されるため、隣の段階のクラスの一部は類似している。
提案する新しい損失関数は、骨髄細胞クラス間の類似性を考慮し、異種間の予測エラーのペナルティを増加させ、類似クラス間の予測エラーのペナルティを低減させる。
その結果,提案する損失関数はアルゴリズムの性能を効果的に改善し,提案する骨髄細胞検出アルゴリズムは他の細胞検出アルゴリズムよりも優れた性能を得た。
関連論文リスト
- Holistic and Historical Instance Comparison for Cervical Cell Detection [6.735336269995631]
本稿では,頚部細胞検出のための総合的,歴史的事例比較手法を提案する。
具体的には、まず、RoIレベルとクラスレベルの細胞識別を併用した総合的な事例比較スキームを開発する。
この粗い細胞間比較は、モデルが前景の区別可能なクラスワイド表現を学習することを奨励する。
論文 参考訳（メタデータ） (2024-09-21T02:36:19Z) - Multi-task Explainable Skin Lesion Classification [54.76511683427566]
少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。
提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
論文 参考訳（メタデータ） (2023-10-11T05:49:47Z) - Multi tasks RetinaNet for mitosis detection [1.814999453940693]
ベースライン(Retinanet)に基づく前景検出と腫瘍分類タスクを提案する。
我々は、挑戦的な出生前テストデータセット上で、最先端のパフォーマンス(F1スコア:0.5809)を達成する。
論文 参考訳（メタデータ） (2022-08-26T13:06:54Z) - Beyond Labels: Visual Representations for Bone Marrow Cell Morphology
Recognition [3.4352862428120123]
ラベル付きデータによる単独依存から逸脱して骨髄細胞認識の最先端手法を改善する。
本実験は, 骨髄細胞認識タスクの実施において, 顕著な性能向上を示すものである。
論文 参考訳（メタデータ） (2022-05-19T22:05:46Z) - EMT-NET: Efficient multitask network for computer-aided diagnosis of
breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。
腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。
腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文 参考訳（メタデータ） (2022-01-13T05:24:40Z) - Multi-Scale Input Strategies for Medulloblastoma Tumor Classification
using Deep Transfer Learning [59.30734371401316]
乳腺芽腫は小児で最も多い悪性脳腫瘍である。
CNNはMBサブタイプ分類に有望な結果を示した。
タイルサイズと入力戦略の影響について検討した。
論文 参考訳（メタデータ） (2021-09-14T09:42:37Z) - Medulloblastoma Tumor Classification using Deep Transfer Learning with
Multi-Scale EfficientNets [63.62764375279861]
本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。
161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
論文 参考訳（メタデータ） (2021-09-10T13:07:11Z) - Histogram of Cell Types: Deep Learning for Automated Bone Marrow
Cytology [3.8385120184415418]
細胞型ヒストグラム(HCT)は骨髄のクラス分布の新規な表現である。
HCTは、血液病理診断に革命をもたらす可能性があり、よりコスト効率が高く、正確な診断をもたらし、正確な医療を行うための扉を開く。
論文 参考訳（メタデータ） (2021-07-05T21:55:00Z) - 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) - Cell abundance aware deep learning for cell detection on highly
imbalanced pathological data [0.0]
デジタル病理学では、少ない細胞型は生物学的に重要である。
モデルトレーニング中の細胞型の豊富さを考慮した深層学習パイプラインを提案しました。
その結果,細胞量による深層学習損失関数のスケールアップは細胞検出性能を向上させることがわかった。
論文 参考訳（メタデータ） (2021-02-23T13:07:52Z) - Grading Loss: A Fracture Grade-based Metric Loss for Vertebral Fracture
Detection [58.984536305767996]
自動椎骨骨折検出のための表現学習型アプローチを提案する。
本稿では,Genantのフラクチャーグレーディングスキームを尊重する,学習表現のための新しいGrading Lossを提案する。
一般に利用可能なスピーンデータセットでは、提案された損失関数が81.5%のフラクチャー検出F1スコアを達成する。
論文 参考訳（メタデータ） (2020-08-18T10:03:45Z)
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。