論文の概要: Pathologist-Like Explanations Unveiled: an Explainable Deep Learning System for White Blood Cell Classification

• arxiv url: http://arxiv.org/abs/2310.13279v1
• Date: Fri, 20 Oct 2023 04:59:20 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-24 00:14:02.401094
• Title: Pathologist-Like Explanations Unveiled: an Explainable Deep Learning System for White Blood Cell Classification
• Title（参考訳）: 病理学者的な説明: 白血球分類のための説明可能な深層学習システム
• Authors: Aditya Shankar Pal, Debojyoti Biswas, Joy Mahapatra, Debasis Banerjee, Prantar Chakrabarti and Utpal Garain
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 1.516937009186805
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: White blood cells (WBCs) play a crucial role in safeguarding the human body against pathogens and foreign substances. Leveraging the abundance of WBC imaging data and the power of deep learning algorithms, automated WBC analysis has the potential for remarkable accuracy. However, the capability of deep learning models to explain their WBC classification remains largely unexplored. In this study, we introduce HemaX, an explainable deep neural network-based model that produces pathologist-like explanations using five attributes: granularity, cytoplasm color, nucleus shape, size relative to red blood cells, and nucleus to cytoplasm ratio (N:C), along with cell classification, localization, and segmentation. HemaX is trained and evaluated on a novel dataset, LeukoX, comprising 467 blood smear images encompassing ten (10) WBC types. The proposed model achieves impressive results, with an average classification accuracy of 81.08% and a Jaccard index of 89.16% for cell localization. Additionally, HemaX performs well in generating the five explanations with a normalized mean square error of 0.0317 for N:C ratio and over 80% accuracy for the other four attributes. Comprehensive experiments comparing against multiple state-of-the-art models demonstrate that HemaX's classification accuracy remains unaffected by its ability to provide explanations. Moreover, empirical analyses and validation by expert hematologists confirm the faithfulness of explanations predicted by our proposed model.
• Abstract（参考訳）: 白血球(WBC)は人体を病原体や異物から保護する上で重要な役割を担っている。 WBC画像データの豊富さとディープラーニングアルゴリズムのパワーを活用して、自動化されたWBC分析は、驚くべき精度の可能性がある。 しかし、WBC分類を説明する深層学習モデルの能力はほとんど探索されていない。 本研究では, 細胞質, 細胞質色, 核形状, 赤血球に対するサイズ, 細胞質比 (N:C) の5つの属性と, 細胞分類, 局在化, セグメンテーションの5つの属性を用いて, 病理学的な説明を生成する, 説明可能なディープニューラルネットワークベースモデルであるHemaXを紹介する。 HemaXは10 (10) WBC型を含む467個の血液スミア画像からなる新しいデータセットLeukoXで訓練され評価されている。 提案モデルでは, 平均分類精度81.08%, Jaccard index89.16%をセルローカライゼーションに適用した。 さらに、HemaX は N:C 比で 0.0317 の正規化平均平方誤差と他の 4 つの属性で 80% 以上の精度で 5 つの説明を生成するのによく機能する。 複数の最先端モデルと比較した総合的な実験は、HemaXの分類精度が説明を提供する能力の影響を受けていないことを示した。 さらに,本モデルにより予測された説明の忠実さを,専門家の血液学者による実証分析と検証により確認した。

関連論文リスト

• A Hybrid Feature Fusion Deep Learning Framework for Leukemia Cancer Detection in Microscopic Blood Sample Using Gated Recurrent Unit and Uncertainty Quantification [1.024113475677323]
  白血病は、顕微鏡で血液や骨髄の腫れを分析して診断され、さらなる細胞化学的検査によって確認される。 深層学習は、白血病細胞の検出を補助する、顕微鏡スミア画像を分類する高度な方法を提供している。 本研究では,急性リンパ性白血病(ALL)の分類のためのハイブリッドディープラーニングモデルを構築した。 提案手法は、ALL-IDB1データセットで100%、ALL-IDB2データセットで98.07%、組み合わせたデータセットで98.64%という顕著な検出精度を達成した。
  論文  参考訳（メタデータ） (2024-10-18T15:23:34Z)
• 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 Algorithms for Early Diagnosis of Acute Lymphoblastic Leukemia [0.0]
  急性リンパ性白血病(英語: acute lymphoblastic leukemia、ALL)は、白血球に影響を及ぼす血液がんの一種である。 本研究では,ALの診断過程を支援するバイナリ画像分類モデルを提案する。
  論文  参考訳（メタデータ） (2024-07-14T15:35:39Z)
• Analysis of Modern Computer Vision Models for Blood Cell Classification [49.1574468325115]
  この研究では、MaxVit、EfficientVit、EfficientNet、EfficientNetV2、MobileNetV3といった最先端アーキテクチャを使用して、迅速かつ正確な結果を得る。 本手法は,従来の手法の速度と精度の懸念に対処するだけでなく,血液学的解析における革新的な深層学習モデルの適用性についても検討する。
  論文  参考訳（メタデータ） (2024-06-30T16:49:29Z)
• 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)
• Tertiary Lymphoid Structures Generation through Graph-based Diffusion [54.37503714313661]
  本研究では,最先端のグラフベース拡散モデルを用いて生物学的に意味のある細胞グラフを生成する。 本研究では, グラフ拡散モデルを用いて, 3次リンパ構造(TLS)の分布を正確に学習できることを示す。
  論文  参考訳（メタデータ） (2023-10-10T14:37:17Z)
• 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)
• 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)
• 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)
• An interpretable classifier for high-resolution breast cancer screening images utilizing weakly supervised localization [45.00998416720726]
  医用画像の特徴に対処する枠組みを提案する。 このモデルはまず、画像全体の低容量だがメモリ効率のよいネットワークを使用して、最も情報性の高い領域を識別する。 次に、選択したリージョンから詳細を収集するために、別の高容量ネットワークを適用します。 最後に、グローバルおよびローカル情報を集約して最終的な予測を行うフュージョンモジュールを使用する。
  論文  参考訳（メタデータ） (2020-02-13T15:28:42Z)

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。