論文の概要: SCKansformer: Fine-Grained Classification of Bone Marrow Cells via Kansformer Backbone and Hierarchical Attention Mechanisms
- arxiv url: http://arxiv.org/abs/2406.09931v2
- Date: Mon, 30 Sep 2024 13:39:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-01 22:00:36.566020
- Title: SCKansformer: Fine-Grained Classification of Bone Marrow Cells via Kansformer Backbone and Hierarchical Attention Mechanisms
- Title(参考訳): SCKansformer: Kansformer Backboneと階層的アテンション機構による骨髄細胞の微細な分類
- Authors: Yifei Chen, Zhu Zhu, Shenghao Zhu, Linwei Qiu, Binfeng Zou, Fan Jia, Yunpeng Zhu, Chenyan Zhang, Zhaojie Fang, Feiwei Qin, Jin Fan, Changmiao Wang, Yu Gao, Gang Yu,
- Abstract要約: そこで本研究では,骨髄血球の詳細な分類モデルであるSCKansformerを提案する。
このモデルは、Kansformer、SCConvCD、Global-Local Attentionを統合している。
骨マーロウ血球微細粒度分類データセットを用いて,本モデルの有効性を検証した。
- 参考スコア(独自算出の注目度): 14.300958118264054
- License:
- Abstract: The incidence and mortality rates of malignant tumors, such as acute leukemia, have risen significantly. Clinically, hospitals rely on cytological examination of peripheral blood and bone marrow smears to diagnose malignant tumors, with accurate blood cell counting being crucial. Existing automated methods face challenges such as low feature expression capability, poor interpretability, and redundant feature extraction when processing high-dimensional microimage data. We propose a novel fine-grained classification model, SCKansformer, for bone marrow blood cells, which addresses these challenges and enhances classification accuracy and efficiency. The model integrates the Kansformer Encoder, SCConv Encoder, and Global-Local Attention Encoder. The Kansformer Encoder replaces the traditional MLP layer with the KAN, improving nonlinear feature representation and interpretability. The SCConv Encoder, with its Spatial and Channel Reconstruction Units, enhances feature representation and reduces redundancy. The Global-Local Attention Encoder combines Multi-head Self-Attention with a Local Part module to capture both global and local features. We validated our model using the Bone Marrow Blood Cell Fine-Grained Classification Dataset (BMCD-FGCD), comprising over 10,000 samples and nearly 40 classifications, developed with a partner hospital. Comparative experiments on our private dataset, as well as the publicly available PBC and ALL-IDB datasets, demonstrate that SCKansformer outperforms both typical and advanced microcell classification methods across all datasets. Our source code and private BMCD-FGCD dataset are available at https://github.com/JustlfC03/SCKansformer.
- Abstract(参考訳): 急性白血病などの悪性腫瘍の発生率と死亡率は著しく上昇している。
臨床的には、病院は悪性腫瘍の診断に末梢血と骨髄の腫れの細胞診を頼りにしており、正確な血球計数が重要である。
既存の自動手法では、低機能表現能力、低解釈性、高次元マイクロイメージデータを処理する際の冗長な特徴抽出といった課題に直面している。
そこで本研究では,これらの課題に対処し,分類精度と効率を向上させる,骨髄血球の詳細な分類モデルであるSCKansformerを提案する。
このモデルは、Kansformer Encoder、SCConv Encoder、Global-Local Attention Encoderを統合している。
Kansformer Encoder は従来の MLP 層を Kan に置き換え、非線形な特徴表現と解釈性を改善した。
SCConv EncoderはSpatial and Channel Restruction Unitsと共に、特徴表現を強化し、冗長性を低減している。
Global-Local Attention Encoderは、Multi-head Self-AttentionとLocal Partモジュールを組み合わせて、グローバル機能とローカル機能の両方をキャプチャする。
我々は,1万以上のサンプルと40近い分類を含むBMCD-FGCDを用いて,パートナー病院で開発された骨髄血球微細粒度分類データセットを用いて,本モデルの有効性を検証した。
プライベートデータセットとPBCおよびALL-IDBデータセットの比較実験は、SCKansformerがすべてのデータセットで典型的なマイクロセル分類法と高度なマイクロセル分類法の両方より優れていることを示した。
ソースコードとプライベートBMCD-FGCDデータセットはhttps://github.com/JustlfC03/SCKansformer.comで公開されています。
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) - Accurate Leukocyte Detection Based on Deformable-DETR and Multi-Level
Feature Fusion for Aiding Diagnosis of Blood Diseases [5.788342067882157]
本稿では,多レベル特徴融合と変形性自己注意型DETR(MFDS-DETR)という,新しい白血球検出法を提案する。
このモデルは、チャネルアテンションモジュールを介して低レベル特徴情報をフィルタリングするために、ハイレベル特徴を重みとして利用する。
マルチスケールの変形可能な自己保持モジュールをエンコーダに組み込むことにより、白血球機能不足の問題に対処する。
論文 参考訳(メタデータ) (2024-01-01T16:28:30Z) - An Evaluation of Machine Learning Approaches for Early Diagnosis of
Autism Spectrum Disorder [0.0]
自閉症スペクトラム障害(Autistic Spectrum disorder、ASD)は、社会的相互作用、コミュニケーション、反復活動の困難を特徴とする神経疾患である。
本研究は,診断プロセスの強化と自動化を目的として,多様な機械学習手法を用いて重要なASD特性を同定する。
論文 参考訳(メタデータ) (2023-09-20T21:23:37Z) - Unsupervised Cross-Domain Feature Extraction for Single Blood Cell Image
Classification [37.90158669637884]
AutoencoderはR-CNNアーキテクチャをベースにしており、関連する白血球にフォーカスし、画像のアーティファクトを除去することができる。
本研究では,データセットの1つのみで訓練されたオートエンコーダによって抽出されたリッチな特徴により,ランダムな森林分類器は未知のデータセットに対して良好に実行可能であることを示す。
以上の結果から,より複雑な診断・予後タスクにこの教師なしアプローチを適用すれば,高価な専門家ラベルを未確認データに加える必要がなくなる可能性が示唆された。
論文 参考訳(メタデータ) (2022-07-01T15:44:42Z) - Preservation of High Frequency Content for Deep Learning-Based Medical
Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。
本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文 参考訳(メタデータ) (2022-05-08T15:29:54Z) - Improving Classification Model Performance on Chest X-Rays through Lung
Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。
提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文 参考訳(メタデータ) (2022-02-22T15:24:06Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳(メタデータ) (2021-02-26T02:29:30Z) - 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) - SDCT-AuxNet$^{\theta}$: DCT Augmented Stain Deconvolutional CNN with
Auxiliary Classifier for Cancer Diagnosis [14.567067583556714]
急性リンパ性白血病(英語: acute lymphoblastic leukemia,ALL)は、世界中の小児の白血球癌である。
本稿では,all癌細胞像の分類のための新しいディープラーニングアーキテクチャを提案する。
先日公表した15114枚のall癌と健康な細胞のデータセットを用いて実験を行った。
論文 参考訳(メタデータ) (2020-05-30T16:01:31Z) - Co-Heterogeneous and Adaptive Segmentation from Multi-Source and
Multi-Phase CT Imaging Data: A Study on Pathological Liver and Lesion
Segmentation [48.504790189796836]
我々は,新しいセグメンテーション戦略,コヘテロジネティック・アダプティブセグメンテーション(CHASe)を提案する。
本稿では,外見に基づく半スーパービジョン,マスクに基づく対向ドメイン適応,擬似ラベルを融合した多目的フレームワークを提案する。
CHASeは4.2% sim 9.4%$の範囲で、病理的な肝臓マスクDice-Sorensen係数をさらに改善することができる。
論文 参考訳(メタデータ) (2020-05-27T06:58:39Z)
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。