論文の概要: Shape-Aware Fine-Grained Classification of Erythroid Cells

• arxiv url: http://arxiv.org/abs/2212.13695v1
• Date: Wed, 28 Dec 2022 04:43:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-29 15:38:05.241646
• Title: Shape-Aware Fine-Grained Classification of Erythroid Cells
• Title（参考訳）: 赤血球の微細粒度分類
• Authors: Ye Wang, Rui Ma, Xiaoqing Ma, Honghua Cui, Yubin Xiao, Xuan Wu, You Zhou
• Abstract要約: 赤血球の微細な画像データセットであるBMEC(Bone Erythroid Cells)を紹介する。 BMECは、個々の赤血球の5,666枚の画像を含み、それぞれが骨髄赤血球スミアから抽出される。 我々は細粒度赤血球分類のための新しい形状認識型画像分類ネットワークを設計する。
• 参考スコア（独自算出の注目度）: 6.53986899578938
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Fine-grained classification and counting of bone marrow erythroid cells are vital for evaluating the health status and formulating therapeutic schedules for leukemia or hematopathy. Due to the subtle visual differences between different types of erythroid cells, it is challenging to apply existing image-based deep learning models for fine-grained erythroid cell classification. Moreover, there is no large open-source datasets on erythroid cells to support the model training. In this paper, we introduce BMEC (Bone Morrow Erythroid Cells), the first large fine-grained image dataset of erythroid cells, to facilitate more deep learning research on erythroid cells. BMEC contains 5,666 images of individual erythroid cells, each of which is extracted from the bone marrow erythroid cell smears and professionally annotated to one of the four types of erythroid cells. To distinguish the erythroid cells, one key indicator is the cell shape which is closely related to the cell growth and maturation. Therefore, we design a novel shape-aware image classification network for fine-grained erythroid cell classification. The shape feature is extracted from the shape mask image and aggregated to the raw image feature with a shape attention module. With the shape-attended image feature, our network achieved superior classification performance (81.12\% top-1 accuracy) on the BMEC dataset comparing to the baseline methods. Ablation studies also demonstrate the effectiveness of incorporating the shape information for the fine-grained cell classification. To further verify the generalizability of our method, we tested our network on two additional public white blood cells (WBC) datasets and the results show our shape-aware method can generally outperform recent state-of-the-art works on classifying the WBC. The code and BMEC dataset can be found on https://github.com/wangye8899/BMEC.
• Abstract（参考訳）: 骨髄赤血球の微細な分類と計数は、白血病や血液疾患の健康状態の評価と治療スケジュールの策定に不可欠である。 異なる種類の赤血球間の微妙な視覚的差異のため、既存の画像に基づくディープラーニングモデルを微細な赤血球分類に適用することは困難である。 さらに、モデルトレーニングをサポートするために、エリスロイド細胞に大規模なオープンソースデータセットはありません。 本稿では,エリスロイド細胞の最初の大規模細粒画像データセットであるbmec(bone morrow erythroid cells)を紹介する。 bmecは、骨髄赤血球スメアから抽出され、4種類の赤血球細胞のうちの1つに専門的にアノテートされた、個々の赤血球細胞の5,666画像を含む。 赤血球を識別するためには、細胞の成長と成熟と密接に関連している細胞形状が重要な指標である。 そこで我々は細粒度赤血球分類のための新しい形状認識型画像分類ネットワークを設計する。 形状マスク画像から形状特徴を抽出し、形状注目モジュールで生画像特徴に集約する。 形状対応画像特徴により,本ネットワークはベースライン法と比較して,bmecデータセット上で優れた分類性能(top-1精度81.12\%)を達成した。 アブレーション研究は、微細粒度の細胞分類に形状情報を組み込む効果も示している。 さらに,本手法の一般化性を検証するために,2つの公開白血球(WBC)データセットを用いてネットワークを試験し,その形状認識手法がWBCの分類における最近の最先端の成果を上回ることを示す。 コードとBMECデータセットはhttps://github.com/wangye8899/BMECで見ることができる。

関連論文リスト

• IDCIA: Immunocytochemistry Dataset for Cellular Image Analysis [0.5057850174013127]
  そこで我々は,細胞画像解析のための機械学習手法の有効性を向上させるために,新しい注釈付き微視的セル画像データセットを提案する。 我々のデータセットには、細胞の顕微鏡像と、各画像、細胞数、細胞の位置が含まれています。
  論文  参考訳（メタデータ） (2024-11-13T19:33:08Z)
• DiffKillR: Killing and Recreating Diffeomorphisms for Cell Annotation in Dense Microscopy Images [105.46086313858062]
  DiffKillRは、アーチェタイプマッチングと画像登録タスクの組み合わせとして、セルアノテーションを再構成する新しいフレームワークである。 我々はDiffKillRの理論的性質について論じ、それを3つの顕微鏡タスクで検証し、既存の教師付き・半教師なし・教師なしの手法に対する利点を実証する。
  論文  参考訳（メタデータ） (2024-10-04T00:38:29Z)
• Image segmentation of treated and untreated tumor spheroids by Fully Convolutional Networks [0.0]
  MCTS(Multicellular tumor spheroids)は、放射線(化学)療法の効果を評価するための先進的な細胞培養系である。 我々は2つの完全畳み込みネットワーク(UNetとHRNet)を訓練し、未処理および処理されたMCTSの自動セグメンテーションを開発する。
  論文  参考訳（メタデータ） (2024-05-02T09:14:38Z)
• Practical Guidelines for Cell Segmentation Models Under Optical Aberrations in Microscopy [14.042884268397058]
  本研究は,光収差下でのセル画像のセグメンテーションモデルについて,蛍光顕微鏡と光電場顕微鏡を用いて評価する。 ネットワークヘッドの異なるOstoしきい値法やMask R-CNNなどのセグメンテーションモデルをトレーニングし,テストする。 対照的に、Cellpose 2.0は同様の条件下で複雑な細胞画像に有効であることが証明されている。
  論文  参考訳（メタデータ） (2024-04-12T15:45:26Z)
• UniCell: Universal Cell Nucleus Classification via Prompt Learning [76.11864242047074]
  ユニバーサル細胞核分類フレームワーク(UniCell)を提案する。 異なるデータセットドメインから対応する病理画像のカテゴリを均一に予測するために、新しいプロンプト学習機構を採用している。 特に,本フレームワークでは,原子核検出と分類のためのエンドツーエンドアーキテクチャを採用し,フレキシブルな予測ヘッドを用いて様々なデータセットを適応する。
  論文  参考訳（メタデータ） (2024-02-20T11:50:27Z)
• Single-Cell Deep Clustering Method Assisted by Exogenous Gene Information: A Novel Approach to Identifying Cell Types [50.55583697209676]
  我々は,細胞間のトポロジ的特徴を効率的に捉えるために,注目度の高いグラフオートエンコーダを開発した。 クラスタリング過程において,両情報の集合を統合し,細胞と遺伝子の特徴を再構成し,識別的表現を生成する。 本研究は、細胞の特徴と分布に関する知見を高め、疾患の早期診断と治療の基礎となる。
  論文  参考訳（メタデータ） (2023-11-28T09:14:55Z)
• Multi-stream Cell Segmentation with Low-level Cues for Multi-modality Images [66.79688768141814]
  我々は,顕微鏡画像のラベル付けを行うセル分類パイプラインを開発した。 次に、分類ラベルに基づいて分類モデルを訓練する。 2種類のセグメンテーションモデルを、丸みを帯びた形状と不規則な形状のセグメンテーションセルに展開する。
  論文  参考訳（メタデータ） (2023-10-22T08:11:08Z)
• CellGAN: Conditional Cervical Cell Synthesis for Augmenting Cytopathological Image Classification [11.255093167227928]
  現在の解決策は、不審な細胞を局所化し、局所的なパッチに基づいて異常を分類する必要がある。 セルGANは、画像生成にセルタイプ情報を効果的に組み込む非線形クラスマッピングネットワークを備えている。
  論文  参考訳（メタデータ） (2023-07-12T14:13:54Z)
• Seamless Iterative Semi-Supervised Correction of Imperfect Labels in Microscopy Images [57.42492501915773]
  生体内試験は、医療機器の毒性に対する動物実験の代替手段である。 人間の疲労は、深層学習を魅力的なものにするために、エラー作成に重要な役割を果たします。 我々は、不完全ラベルのシームレス反復半監督補正(SISSI)を提案する。 本手法は,物体検出に適応的な早期学習補正技術を提供する。
  論文  参考訳（メタデータ） (2022-08-05T18:52:20Z)
• Deep CNNs for Peripheral Blood Cell Classification [0.0]
  我々は、顕微鏡的末梢血細胞画像データセットに基づいて、27の人気の深層畳み込みニューラルネットワークアーキテクチャをベンチマークした。 血液細胞分類のためのImageNetデータセットに事前トレーニングされた最先端画像分類モデルを微調整する。
  論文  参考訳（メタデータ） (2021-10-18T17:56:07Z)
• 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)

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。