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
- 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) - Automatic Classification of Blood Cell Images Using Convolutional Neural
Network [8.452349885923507]
ヒトの血液は、主に血漿、赤血球、白血球、血小板から構成される。
栄養素を異なる臓器に輸送する上で重要な役割を担っている。
血液分析は、医師が個人の生理状態を評価するのに役立つ。
論文 参考訳(メタデータ) (2023-08-11T07:57:12Z) - Classification of lung cancer subtypes on CT images with synthetic
pathological priors [41.75054301525535]
同症例のCT像と病理像との間には,画像パターンに大規模な関連性が存在する。
肺がんサブタイプをCT画像上で正確に分類するための自己生成型ハイブリッド機能ネットワーク(SGHF-Net)を提案する。
論文 参考訳(メタデータ) (2023-08-09T02:04:05Z) - 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) - Significantly improving zero-shot X-ray pathology classification via
fine-tuning pre-trained image-text encoders [51.14431540035141]
下流のゼロショット病理分類性能を改善するために,文サンプリングと正対損失緩和に基づく新たな微調整手法を提案する。
4種類の胸部X線データセットを用いてゼロショット病理分類性能を劇的に改善した。
論文 参考訳(メタデータ) (2022-12-14T06:04:18Z) - 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) - 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。