論文の概要: Domain-invariant Representation Learning via Segment Anything Model for Blood Cell Classification

• arxiv url: http://arxiv.org/abs/2408.07467v1
• Date: Wed, 14 Aug 2024 11:24:13 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-15 13:34:28.394954
• Title: Domain-invariant Representation Learning via Segment Anything Model for Blood Cell Classification
• Title（参考訳）: 血液細胞分類のためのセグメンテーションモデルによるドメイン不変表現学習
• Authors: Yongcheng Li, Lingcong Cai, Ying Lu, Cheng Lin, Yupeng Zhang, Jingyan Jiang, Genan Dai, Bowen Zhang, Jingzhou Cao, Xiangzhong Zhang, Xiaomao Fan,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 10.237028514911284
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate classification of blood cells is of vital significance in the diagnosis of hematological disorders. However, in real-world scenarios, domain shifts caused by the variability in laboratory procedures and settings, result in a rapid deterioration of the model's generalization performance. To address this issue, we propose a novel framework of domain-invariant representation learning (DoRL) via segment anything model (SAM) for blood cell classification. The DoRL comprises two main components: a LoRA-based SAM (LoRA-SAM) and a cross-domain autoencoder (CAE). The advantage of DoRL is that it can extract domain-invariant representations from various blood cell datasets in an unsupervised manner. Specifically, we first leverage the large-scale foundation model of SAM, fine-tuned with LoRA, to learn general image embeddings and segment blood cells. Additionally, we introduce CAE to learn domain-invariant representations across different-domain datasets while mitigating images' artifacts. To validate the effectiveness of domain-invariant representations, we employ five widely used machine learning classifiers to construct blood cell classification models. Experimental results on two public blood cell datasets and a private real dataset demonstrate that our proposed DoRL achieves a new state-of-the-art cross-domain performance, surpassing existing methods by a significant margin. The source code can be available at the URL (https://github.com/AnoK3111/DoRL).
• Abstract（参考訳）: 血液細胞の正確な分類は、血液疾患の診断において極めて重要である。 しかし、実世界のシナリオでは、実験室の手順や設定の変動に起因するドメインシフトにより、モデルの一般化性能が急速に低下する。 そこで本研究では,血液細胞分類のための領域不変表現学習(DoRL)の新たな枠組みを提案する。 DoRLは、LoRAベースのSAM(LoRA-SAM)とクロスドメインオートエンコーダ(CAE)の2つの主要コンポーネントから構成される。 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。 具体的には、LoRAで微調整したSAMの大規模基盤モデルを用いて、一般的な画像埋め込みと血液細胞分画を学習する。 さらに、画像のアーティファクトを緩和しながら、異なるドメインデータセット間でのドメイン不変表現を学習するためにCAEを導入します。 ドメイン不変表現の有効性を検証するため、5つの機械学習分類器を用いて血液細胞分類モデルを構築した。 2つの公開血液細胞データセットと1つのプライベートリアルデータセットの実験結果から、提案したDoRLは、最先端のクロスドメインパフォーマンスを達成し、既存の手法をかなり上回る結果となった。 ソースコードはURLで入手できる(https://github.com/AnoK3111/DoRL)。

関連論文リスト

• Prompting Segment Anything Model with Domain-Adaptive Prototype for Generalizable Medical Image Segmentation [49.5901368256326]
  医用画像のセグメンテーションにおけるセグメンテーションモデル(DAPSAM)の微調整のための新しいドメイン適応型プロンプトフレームワークを提案する。 DAPSAMは,2つの医療画像分割タスクにおいて,異なるモダリティで最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2024-09-19T07:28:33Z)
• Towards Cross-Domain Single Blood Cell Image Classification via Large-Scale LoRA-based Segment Anything Model [6.41413650593808]
  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。
  論文  参考訳（メタデータ） (2024-08-13T08:20:47Z)
• ASPS: Augmented Segment Anything Model for Polyp Segmentation [77.25557224490075]
  SAM(Segment Anything Model)は、ポリープセグメンテーションに先例のないポテンシャルを導入している。 SAMのTransformerベースの構造は、グローバルおよび低周波情報を優先する。 CFAはトレーニング可能なCNNエンコーダブランチと凍結したViTエンコーダを統合し、ドメイン固有の知識の統合を可能にする。
  論文  参考訳（メタデータ） (2024-06-30T14:55:32Z)
• Affine-Consistent Transformer for Multi-Class Cell Nuclei Detection [76.11864242047074]
  本稿では, 原子核位置を直接生成する新しいアフィン一貫性変換器 (AC-Former) を提案する。 本稿では,AAT (Adaptive Affine Transformer) モジュールを導入し,ローカルネットワークトレーニングのためのオリジナル画像をワープするための重要な空間変換を自動学習する。 実験結果から,提案手法は様々なベンチマークにおいて既存の最先端アルゴリズムを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2023-10-22T02:27:02Z)
• Imbalanced Domain Generalization for Robust Single Cell Classification in Hematological Cytomorphology [3.7007225479462402]
  我々は、ドメイン間データの不均衡とドメインシフトに対処して、WBC分類のための堅牢なCNNを訓練する。 提案手法は,既存手法と比較してF1マクロスコアが最適である。
  論文  参考訳（メタデータ） (2023-03-14T10:20:31Z)
• AADG: Automatic Augmentation for Domain Generalization on Retinal Image Segmentation [1.0452185327816181]
  AADG(Automated Augmentation for Domain Generalization)と呼ばれるデータ操作に基づくドメイン一般化手法を提案する。 我々のAADGフレームワークは、新しいドメインを生成するデータ拡張ポリシーを効果的にサンプリングすることができる。 提案するAADGは,最先端の一般化性能を示し,既存手法より優れている。
  論文  参考訳（メタデータ） (2022-07-27T02:26:01Z)
• Domain Adaptive Nuclei Instance Segmentation and Classification via Category-aware Feature Alignment and Pseudo-labelling [65.40672505658213]
  本稿では, UDA 核インスタンス分割と分類のための新しいディープニューラルネットワークである Category-Aware 機能アライメントと Pseudo-Labelling Network (CAPL-Net) を提案する。 我々のアプローチは、最先端のUDA手法よりも顕著なマージンで優れています。
  論文  参考訳（メタデータ） (2022-07-04T07:05:06Z)
• 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)
• Cross-domain Contrastive Learning for Unsupervised Domain Adaptation [108.63914324182984]
  教師なしドメイン適応(Unsupervised domain adapt、UDA)は、完全にラベル付けされたソースドメインから異なるラベル付けされていないターゲットドメインに学習した知識を転送することを目的としている。 対照的な自己教師型学習に基づいて、トレーニングとテストセット間のドメインの相違を低減するために、機能を整列させます。
  論文  参考訳（メタデータ） (2021-06-10T06:32:30Z)
• Cross-Modality Brain Tumor Segmentation via Bidirectional Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
  本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。 具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。 提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2021-05-17T10:11:45Z)
• Cross-Domain Segmentation with Adversarial Loss and Covariate Shift for Biomedical Imaging [2.1204495827342438]
  本論文は,異なるモダリティから異なるパターンと共有パターンをカプセル化することにより,ドメイン間データから堅牢な表現を学習できる新しいモデルの実現を目的とする。 正常な臨床試験で得られたCTおよびMRI肝データに対する試験は、提案したモデルが他のすべてのベースラインを大きなマージンで上回っていることを示している。
  論文  参考訳（メタデータ） (2020-06-08T07:35:55Z)

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。