論文の概要: Towards Cross-Domain Single Blood Cell Image Classification via Large-Scale LoRA-based Segment Anything Model
- arxiv url: http://arxiv.org/abs/2408.06716v1
- Date: Tue, 13 Aug 2024 08:20:47 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-14 18:16:48.343846
- Title: Towards Cross-Domain Single Blood Cell Image Classification via Large-Scale LoRA-based Segment Anything Model
- Title（参考訳）: 大規模LORAを用いたSegment Anythingモデルによるクロスドメイン単一細胞画像分類に向けて
- Authors: Yongcheng Li, Lingcong Cai, Ying Lu, Yupeng Zhang, Jingyan Jiang, Genan Dai, Bowen Zhang, Jingzhou Cao, Xiangzhong Zhang, Xiaomao Fan,
- Abstract要約: BC-SAMとして知られる新しい血液細胞像の分類法を提案する。
BC-SAMはLoRAを用いた微調整技術を採用しており、血液細胞画像から一般的な画像埋め込みを抽出することができる。
異なる細胞画像データセットにおけるBC-SAMの適用性を高めるために,教師なしクロスドメインオートエンコーダを導入する。
- 参考スコア（独自算出の注目度）: 6.41413650593808
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate classification of blood cells plays a vital role in hematological analysis as it aids physicians in diagnosing various medical conditions. In this study, we present a novel approach for classifying blood cell images known as BC-SAM. BC-SAM leverages the large-scale foundation model of Segment Anything Model (SAM) and incorporates a fine-tuning technique using LoRA, allowing it to extract general image embeddings from blood cell images. To enhance the applicability of BC-SAM across different blood cell image datasets, we introduce an unsupervised cross-domain autoencoder that focuses on learning intrinsic features while suppressing artifacts in the images. To assess the performance of BC-SAM, we employ four widely used machine learning classifiers (Random Forest, Support Vector Machine, Artificial Neural Network, and XGBoost) to construct blood cell classification models and compare them against existing state-of-the-art methods. Experimental results conducted on two publicly available blood cell datasets (Matek-19 and Acevedo-20) demonstrate that our proposed BC-SAM achieves a new state-of-the-art result, surpassing the baseline methods with a significant improvement. The source code of this paper is available at https://github.com/AnoK3111/BC-SAM.
- Abstract（参考訳）: 血液細胞の正確な分類は、様々な医学的状態の診断において医師を助けるため、血液学的解析において重要な役割を担っている。
本稿では,BC-SAMとして知られる血液細胞像を分類するための新しいアプローチを提案する。
BC-SAMはSegment Anything Model(SAM)の大規模基盤モデルを活用し、LoRAを用いた微調整技術を取り入れ、血液細胞画像から一般的な画像埋め込みを抽出する。
異なる血液細胞画像データセットに適用性を高めるために,画像中のアーティファクトを抑えながら本質的な特徴を学習することに焦点を当てた教師なしクロスドメインオートエンコーダを導入する。
BC-SAMの性能を評価するため、我々は4つの機械学習分類器(Random Forest, Support Vector Machine, Artificial Neural Network, XGBoost)を用いて、血液細胞分類モデルを構築し、既存の最先端手法と比較した。
Matek-19 と Acevedo-20 の2つの公開血液細胞データセットで行った実験の結果,提案した BC-SAM が新たな最先端の成果を達成し,ベースライン法をはるかに上回る結果が得られた。
本論文のソースコードはhttps://github.com/AnoK3111/BC-SAMで公開されている。
関連論文リスト
- Domain-invariant Representation Learning via Segment Anything Model for Blood Cell Classification [10.237028514911284]
血液細胞分類のためのドメイン不変表現学習(DoRL)の新たな枠組みを提案する。
DoRLの利点は、教師なしの方法で様々な血液細胞データセットからドメイン不変表現を抽出できることである。
提案したDoRLは最先端のクロスドメイン性能を実現し,既存の手法をはるかに上回っている。
論文 参考訳（メタデータ） (2024-08-14T11:24:13Z) - Boosting Medical Image Classification with Segmentation Foundation Model [19.41887842350247]
Segment Anything Model (SAM)は、自然画像のゼロショットセグメンテーションにおいて印象的な機能を示す。
SAMのパワーを医療画像分類に活用する方法を示す研究はない。
そこで本研究では,SAMをベースとした斬新な拡張手法であるSAMAug-Cについて紹介する。
論文 参考訳（メタデータ） (2024-06-16T17:54:49Z) - Improving Segment Anything on the Fly: Auxiliary Online Learning and Adaptive Fusion for Medical Image Segmentation [52.172885882728174]
医療画像の文脈では、SAMがそのセグメンテーション予測を生成した後、人間の専門家が特定のテストサンプルのセグメンテーションを修正することは珍しくない。
我々は、オンライン機械学習の利点を活用して、テスト期間中にSegment Anything(SA)を強化する新しいアプローチを導入する。
医用画像におけるSAのセグメンテーション品質を改善することを目的として,オンライン学習のための修正アノテーションを用いた。
論文 参考訳（メタデータ） (2024-06-03T03:16:25Z) - 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) - Style transfer between Microscopy and Magnetic Resonance Imaging via
Generative Adversarial Network in small sample size settings [49.84018914962972]
磁気共鳴イメージング(MRI)のクロスモーダル増強と、同じ組織サンプルに基づく顕微鏡イメージングが期待できる。
コンディショナル・ジェネレーティブ・逆境ネットワーク (cGAN) アーキテクチャを用いて, コーパス・カロサムのMRI画像から顕微鏡組織像を生成する方法を検討した。
論文 参考訳（メタデータ） (2023-10-16T13:58:53Z) - Classification of White Blood Cells Using Machine and Deep Learning
Models: A Systematic Review [8.452349885923507]
機械学習(ML)とディープラーニング(DL)モデルは、医療画像の分析を大幅に改善するために採用されている。
モデル予測と分類は、様々ながんや腫瘍の診断を支援する。
本総説では,白細胞分類のための医用画像解析の領域内で適用された最新の技術について,詳細な分析を行った。
論文 参考訳（メタデータ） (2023-08-11T06:32:25Z) - Cross-modulated Few-shot Image Generation for Colorectal Tissue
Classification [58.147396879490124]
XM-GANと名づけられた少数ショット生成法は,1塩基と1対の参照組織像を入力とし,高品質で多様な画像を生成する。
我々の知る限りでは、大腸組織像の少数ショット生成を最初に調査した人物である。
論文 参考訳（メタデータ） (2023-04-04T17:50:30Z) - 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) - 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) - 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) - Comparisons among different stochastic selection of activation layers
for convolutional neural networks for healthcare [77.99636165307996]
ニューラルネットワークのアンサンブルを用いて生体医用画像の分類を行う。
ReLU, leaky ReLU, Parametric ReLU, ELU, Adaptive Piecewice Linear Unit, S-Shaped ReLU, Swish, Mish, Mexican Linear Unit, Parametric Deformable Linear Unit, Soft Root Sign。
論文 参考訳（メタデータ） (2020-11-24T01:53:39Z)
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。