論文の概要: Imbalanced Domain Generalization for Robust Single Cell Classification in Hematological Cytomorphology

• arxiv url: http://arxiv.org/abs/2303.07771v2
• Date: Wed, 12 Apr 2023 05:49:57 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-13 17:40:13.715095
• Title: Imbalanced Domain Generalization for Robust Single Cell Classification in Hematological Cytomorphology
• Title（参考訳）: 血液細胞形態におけるロバスト単一細胞分類のための不均衡領域の一般化
• Authors: Rao Muhammad Umer, Armin Gruber, Sayedali Shetab Boushehri, Christian Metak, Carsten Marr
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 3.7007225479462402
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Accurate morphological classification of white blood cells (WBCs) is an important step in the diagnosis of leukemia, a disease in which nonfunctional blast cells accumulate in the bone marrow. Recently, deep convolutional neural networks (CNNs) have been successfully used to classify leukocytes by training them on single-cell images from a specific domain. Most CNN models assume that the distributions of the training and test data are similar, i.e., the data are independently and identically distributed. Therefore, they are not robust to different staining procedures, magnifications, resolutions, scanners, or imaging protocols, as well as variations in clinical centers or patient cohorts. In addition, domain-specific data imbalances affect the generalization performance of classifiers. Here, we train a robust CNN for WBC classification by addressing cross-domain data imbalance and domain shifts. To this end, we use two loss functions and demonstrate their effectiveness in out-of-distribution (OOD) generalization. Our approach achieves the best F1 macro score compared to other existing methods and is able to consider rare cell types. This is the first demonstration of imbalanced domain generalization in hematological cytomorphology and paves the way for robust single cell classification methods for the application in laboratories and clinics.
• Abstract（参考訳）: 白血球の正確な形態分類(WBCs)は白血病の診断において重要なステップであり、非機能的ブラスト細胞が骨髄に蓄積する疾患である。 近年、深層畳み込みニューラルネットワーク(CNN)は特定の領域からの単細胞画像に基づいて、白血球の分類に成功している。 ほとんどのcnnモデルは、トレーニングデータとテストデータの分布が類似していると仮定している。 したがって、異なる染色方法、倍率、解像度、スキャナー、イメージングプロトコル、および臨床センターや患者のコホートの変化に対して堅牢ではない。 さらに、ドメイン固有のデータ不均衡は分類器の一般化性能に影響する。 本稿では,wbc分類のためのロバストなcnnを,クロスドメインデータ不均衡とドメインシフトに対処して訓練する。 この目的のために,2つの損失関数を用いて,アウト・オブ・ディストリビューション(OOD)の一般化の有効性を示す。 本手法は他の方法と比較してF1マクロスコアが最適であり,稀な細胞型を考慮できる。 これは血液形態学における不均衡領域の一般化の初めての実証であり、実験室や診療所への応用のための堅牢な単細胞分類方法の道を開くものである。

関連論文リスト

• MMIL: A novel algorithm for disease associated cell type discovery [58.044870442206914]
  単一細胞データセットは、しばしば個々の細胞ラベルを欠いているため、病気に関連する細胞を特定することは困難である。 セルレベルの分類器の訓練と校正を可能にする予測手法であるMixture Modeling for Multiple Learning Instance (MMIL)を導入する。
  論文  参考訳（メタデータ） (2024-06-12T15:22:56Z)
• Neural Cellular Automata for Lightweight, Robust and Explainable Classification of White Blood Cell Images [40.347953893940044]
  ニューラルセルオートマトン(NCA)を用いた白血球分類の新しいアプローチを提案する。 NCAに基づく手法はパラメータの面で著しく小さく,ドメインシフトに対する堅牢性を示す。 その結果,NAAは画像分類に利用でき,従来の手法の課題に対処できることがわかった。
  論文  参考訳（メタデータ） (2024-04-08T14:59:53Z)
• Few-shot learning for COVID-19 Chest X-Ray Classification with Imbalanced Data: An Inter vs. Intra Domain Study [49.5374512525016]
  医療画像データセットは、コンピュータ支援診断、治療計画、医学研究に使用される訓練モデルに不可欠である。 データ分散のばらつき、データの不足、ジェネリックイメージから事前トレーニングされたモデルを使用する場合の転送学習の問題などである。 本稿では,データ不足と分散不均衡の影響を軽減するために,一連の手法を統合したシームズニューラルネットワークに基づく手法を提案する。
  論文  参考訳（メタデータ） (2024-01-18T16:59:27Z)
• 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)
• Domain Invariant Model with Graph Convolutional Network for Mammogram Classification [49.691629817104925]
  グラフ畳み込みネットワークを用いたドメイン不変モデル(DIM-GCN)を提案する。 まず,潜伏変数を病原性その他の疾患関連部位に明示的に分解するベイズネットワークを提案する。 マクロな特徴をよりよく捉えるために、我々は、GCN(Graph Convolutional Network)を介して、観察された臨床特性を再構築の目的として活用する。
  論文  参考訳（メタデータ） (2022-04-21T08:23:44Z)
• Classification of White Blood Cell Leukemia with Low Number of Interpretable and Explainable Features [0.0]
  白血球(WBC)白血病は画像ベース分類によって検出される。 畳み込みニューラルネットワークは、細胞のイメージを悪性または正常に分類するために必要な特徴を学ぶために使用される。 このタイプのモデルは、多数のパラメータを学習し、解釈と説明が困難である。 XAIモデルは、説明可能な機能と解釈可能な機能のみを使用し、4.38%以上の性能で他のアプローチと高い競争力を持つ。
  論文  参考訳（メタデータ） (2022-01-28T00:08:56Z)
• 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)
• Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation [64.59521853145368]
  CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。 ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。 この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
  論文  参考訳（メタデータ） (2021-09-08T07:56:51Z)
• 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)
• 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。