論文の概要: WBCAtt: A White Blood Cell Dataset Annotated with Detailed Morphological
Attributes
- arxiv url: http://arxiv.org/abs/2306.13531v2
- Date: Tue, 26 Dec 2023 04:58:14 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-27 22:34:06.913528
- Title: WBCAtt: A White Blood Cell Dataset Annotated with Detailed Morphological
Attributes
- Title(参考訳): WBCAtt: 詳細な形態的属性を付加した白血球データセット
- Authors: Satoshi Tsutsui, Winnie Pang, Bihan Wen
- Abstract要約: 本稿では,WBC(White Blood Cells)画像に対する包括的なアノテーションを提案する。
細胞とその成分に関連する11の形態学的特性を同定した。
我々はこれらの属性を画像から予測する実験を行い、基本的なWBC分類を超えた洞察を提供する。
- 参考スコア(独自算出の注目度): 22.423647778787334
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The examination of blood samples at a microscopic level plays a fundamental
role in clinical diagnostics, influencing a wide range of medical conditions.
For instance, an in-depth study of White Blood Cells (WBCs), a crucial
component of our blood, is essential for diagnosing blood-related diseases such
as leukemia and anemia. While multiple datasets containing WBC images have been
proposed, they mostly focus on cell categorization, often lacking the necessary
morphological details to explain such categorizations, despite the importance
of explainable artificial intelligence (XAI) in medical domains. This paper
seeks to address this limitation by introducing comprehensive annotations for
WBC images. Through collaboration with pathologists, a thorough literature
review, and manual inspection of microscopic images, we have identified 11
morphological attributes associated with the cell and its components (nucleus,
cytoplasm, and granules). We then annotated ten thousand WBC images with these
attributes. Moreover, we conduct experiments to predict these attributes from
images, providing insights beyond basic WBC classification. As the first public
dataset to offer such extensive annotations, we also illustrate specific
applications that can benefit from our attribute annotations. Overall, our
dataset paves the way for interpreting WBC recognition models, further
advancing XAI in the fields of pathology and hematology.
- Abstract(参考訳): 顕微鏡レベルでの血液検査は臨床診断において基本的な役割を担い、幅広い医療条件に影響を与える。
例えば、我々の血液の重要な成分である白血球(WBC)の詳細な研究は、白血病や貧血などの血液関連疾患の診断に不可欠である。
WBC画像を含む複数のデータセットが提案されているが、主に細胞分類に焦点を当てており、医療領域における説明可能な人工知能(XAI)の重要性にもかかわらず、そのような分類を説明するために必要な形態的詳細を欠いていることが多い。
本稿では,WBC画像に対する包括的なアノテーションを導入することで,この制限に対処する。
病理学者とのコラボレーション,文献レビュー,顕微鏡画像の手動検査を通じて,細胞とその成分(核,細胞質,顆粒)に関連する11の形態学的特性を同定した。
そして、これらの属性で1万のWBC画像を注釈付けしました。
さらに,これらの属性を画像から予測する実験を行い,基本的なwbc分類以上の知見を提供する。
このような広範なアノテーションを提供する最初のパブリックデータセットとして、属性アノテーションの恩恵を受ける特定のアプリケーションについても説明します。
全体として、我々のデータセットは、WBC認識モデルを解釈する方法を舗装し、病理学と血液学の分野でXAIをさらに前進させます。
関連論文リスト
- DAFFNet: A Dual Attention Feature Fusion Network for Classification of White Blood Cells [2.0005570775461567]
本稿では,WBC の形態的特徴と高レベルな意味的特徴を統合した新しいデュアルブランチネットワーク Dual Attention Feature Fusion Network (DAFFNet) を提案する。
提案するネットワークフレームワークは,6つの公開データセットに対して98.77%,91.30%,98.36%,99.71%,98.45%,98.85%の総合的精度を達成した。
論文 参考訳(メタデータ) (2024-05-25T13:09:25Z) - Pathologist-Like Explanations Unveiled: an Explainable Deep Learning
System for White Blood Cell Classification [1.516937009186805]
HemaXは5つの属性を使って、病理学者のような説明を生成する、説明可能なディープニューラルネットワークベースのモデルである。
HemaXは、平均的な分類精度が81.08%、ジャカード指数が89.16%で、驚くべき結果が得られる。
論文 参考訳(メタデータ) (2023-10-20T04:59:20Z) - Pixel-Level Explanation of Multiple Instance Learning Models in
Biomedical Single Cell Images [52.527733226555206]
複数のインスタンス学習モデルを説明するための4つの属性法について検討する。
急性骨髄性白血病の2つのデータセットと100万以上の単細胞画像について検討した。
我々は、属性マップと医療専門家の注釈を比較し、モデルの意思決定が人間の基準とどのように異なるかを確認する。
論文 参考訳(メタデータ) (2023-03-15T14:00:11Z) - A survey on automated detection and classification of acute leukemia and
WBCs in microscopic blood cells [6.117084972237769]
白血球 (Leukemia) は、白血球や白血球が骨髄や血液中に拡散する異常な疾患である。
従来の機械学習とディープラーニング技術は、医療画像の診断と分類の精度とスピードを高めるための実践的なロードマップである。
本稿では, 急性白血病およびWBCの検出と分類に関する包括的解析を行った。
論文 参考訳(メタデータ) (2023-03-07T14:26:08Z) - Lymphocyte Classification in Hyperspectral Images of Ovarian Cancer
Tissue Biopsy Samples [94.37521840642141]
生検コアのハイパースペクトル画像に白血球画素を分割する機械学習パイプラインを提案する。
これらの細胞は臨床的に診断に重要であるが、いくつかの先行研究は正確なピクセルラベルを得るのが困難であるため、それらを組み込むのに苦労している。
論文 参考訳(メタデータ) (2022-03-23T00:58:27Z) - 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) - 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) - BI-RADS-Net: An Explainable Multitask Learning Approach for Cancer
Diagnosis in Breast Ultrasound Images [69.41441138140895]
本稿では,乳房超音波画像における癌検出のための新しい深層学習手法であるBI-RADS-Netを紹介する。
提案手法は, 臨床診断に関連する特徴表現を学習することにより, 乳腺腫瘍の説明と分類を行うタスクを取り入れたものである。
臨床医が医療現場で診断・報告するために使用する形態学的特徴の観点から予測(良性または悪性)の説明が提供される。
論文 参考訳(メタデータ) (2021-10-05T19:14:46Z) - Malignancy Prediction and Lesion Identification from Clinical
Dermatological Images [65.1629311281062]
臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。
まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
論文 参考訳(メタデータ) (2021-04-02T20:52:05Z) - G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for
Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。
2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文 参考訳(メタデータ) (2021-01-27T19:28:04Z) - Weakly supervised multiple instance learning histopathological tumor
segmentation [51.085268272912415]
スライド画像全体のセグメント化のための弱教師付きフレームワークを提案する。
トレーニングモデルに複数のインスタンス学習スキームを利用する。
提案するフレームワークは,The Cancer Genome AtlasとPatchCamelyonデータセットのマルチロケーションとマルチ中心公開データに基づいて評価されている。
論文 参考訳(メタデータ) (2020-04-10T13:12:47Z)
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。