論文の概要: Stain-aware Domain Alignment for Imbalance Blood Cell Classification
- arxiv url: http://arxiv.org/abs/2412.02976v1
- Date: Wed, 04 Dec 2024 02:37:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-05 15:08:27.047127
- Title: Stain-aware Domain Alignment for Imbalance Blood Cell Classification
- Title（参考訳）: 不均衡血液細胞分類のためのステンドアウェアドメインアライメント
- Authors: Yongcheng Li, Lingcong Cai, Ying Lu, Xianghua Fu, Xiao Han, Ma Li, Wenxing Lai, Xiangzhong Zhang, Xiaomao Fan,
- Abstract要約: 染色ドメインアライメントによるSADAと呼ばれる新しい血液細胞分類法を提案する。
この研究の主な目的は、ドメインシフトとデータ不均衡の存在下で、ドメイン不変の特徴を掘り下げることである。
Sun Yat-sen大学附属第3病院から収集した4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。
- 参考スコア（独自算出の注目度）: 3.848381820421942
- License:
- Abstract: Blood cell identification is critical for hematological analysis as it aids physicians in diagnosing various blood-related diseases. In real-world scenarios, blood cell image datasets often present the issues of domain shift and data imbalance, posing challenges for accurate blood cell identification. To address these issues, we propose a novel blood cell classification method termed SADA via stain-aware domain alignment. The primary objective of this work is to mine domain-invariant features in the presence of domain shifts and data imbalances. To accomplish this objective, we propose a stain-based augmentation approach and a local alignment constraint to learn domain-invariant features. Furthermore, we propose a domain-invariant supervised contrastive learning strategy to capture discriminative features. We decouple the training process into two stages of domain-invariant feature learning and classification training, alleviating the problem of data imbalance. Experiment results on four public blood cell datasets and a private real dataset collected from the Third Affiliated Hospital of Sun Yat-sen University demonstrate that SADA can achieve a new state-of-the-art baseline, which is superior to the existing cutting-edge methods with a big margin. The source code can be available at the URL (\url{https://github.com/AnoK3111/SADA}).
- Abstract（参考訳）: 血液細胞同定は、様々な血液関連疾患の診断における医師の助けとなるため、血液学的解析において重要である。
現実のシナリオでは、血液細胞画像データセットはドメインシフトとデータの不均衡の問題をしばしば提示し、正確な血液細胞識別の課題を提起する。
これらの課題に対処するため,ステン・アウェア領域アライメントによるSADAと呼ばれる新しい血液細胞分類法を提案する。
この研究の主な目的は、ドメインシフトとデータ不均衡の存在下で、ドメイン不変の特徴を掘り下げることである。
この目的を達成するために,ステンベースの拡張手法と局所アライメント制約を提案し,ドメイン不変の特徴を学習する。
さらに、識別的特徴を捉えるために、ドメイン不変な教師付きコントラスト学習戦略を提案する。
トレーニングプロセスをドメイン不変の特徴学習と分類訓練の2つの段階に分離し、データ不均衡の問題を軽減する。
4つの公開血液細胞データセットとサン・ヤットセン大学第三附属病院から収集されたプライベートリアルデータセットによる実験結果から、SADAは既存の最先端法よりも大きなマージンを持つ新しい最先端のベースラインを達成できることが証明された。
ソースコードはURL(\url{https://github.com/AnoK3111/SADA})で入手できる。
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) - A Continual Learning Approach for Cross-Domain White Blood Cell
Classification [36.482007703764154]
白血球分類におけるクラスインクリメンタルおよびドメインインクリメンタルシナリオに対するリハーサルに基づく連続学習手法を提案する。
従来のタスクから代表サンプルを選択するために,モデルの予測に基づいてセット選択を用いる。
色,解像度,クラス組成が異なる3つの白血球分類データセットについて,提案手法を徹底的に評価した。
論文 参考訳（メタデータ） (2023-08-24T09:38:54Z) - Source-Free Domain Adaptation for Medical Image Segmentation via
Prototype-Anchored Feature Alignment and Contrastive Learning [57.43322536718131]
医用画像セグメンテーションのための2段階のソースフリードメイン適応(SFDA)フレームワークを提案する。
プロトタイプアンコールされた特徴アライメントの段階では,まず,事前学習した画素ワイド分類器の重みを原プロトタイプとして利用する。
そこで,本研究では,目標となる特徴とクラスプロトタイプとの整合性を期待するコストを最小化し,双方向輸送を導入する。
論文 参考訳（メタデータ） (2023-07-19T06:07:12Z) - 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) - 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) - Domain Invariant Model with Graph Convolutional Network for Mammogram
Classification [49.691629817104925]
グラフ畳み込みネットワークを用いたドメイン不変モデル(DIM-GCN)を提案する。
まず,潜伏変数を病原性その他の疾患関連部位に明示的に分解するベイズネットワークを提案する。
マクロな特徴をよりよく捉えるために、我々は、GCN(Graph Convolutional Network)を介して、観察された臨床特性を再構築の目的として活用する。
論文 参考訳（メタデータ） (2022-04-21T08:23:44Z) - Cross-Site Severity Assessment of COVID-19 from CT Images via Domain
Adaptation [64.59521853145368]
CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。
ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。
この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
論文 参考訳（メタデータ） (2021-09-08T07:56:51Z) - Self-Supervised Domain Adaptation for Diabetic Retinopathy Grading using
Vessel Image Reconstruction [61.58601145792065]
我々は網膜血管画像再構成に基づく新しい自己教師型タスクを定義することで、不変なターゲットドメインの特徴を学習する。
私たちのアプローチは既存のドメイン戦略よりも優れています。
論文 参考訳（メタデータ） (2021-07-20T09:44:07Z) - Unsupervised Domain Adaptation for Dysarthric Speech Detection via
Domain Adversarial Training and Mutual Information Minimization [52.82138296332476]
本稿では,非教師付き領域適応問題として,クロスドメイン・ディザスリック音声検出(DSD)を定式化するための最初の試みを行う。
DPC, DAT, 相互情報最小化(MIM)を含むマルチタスク学習戦略を提案する。
実験の結果, 発話レベルの重み付き平均リコールと話者レベルの精度では, それぞれ22.2%, 20.0%の絶対的な増加が得られた。
論文 参考訳（メタデータ） (2021-06-18T13:34:36Z) - Embracing the Disharmony in Heterogeneous Medical Data [12.739380441313022]
医療画像データの不均一性は、しばしば機械学習の文脈でドメイン不変性を用いて取り組まれる。
本論文は異種性を受け入れ,マルチタスク学習問題として扱う。
提案手法は,主分類タスクにおけるデータセット間の分類精度を5～30%向上することを示す。
論文 参考訳（メタデータ） (2021-03-23T21:36:39Z) - Estimating and Improving Fairness with Adversarial Learning [65.99330614802388]
本研究では,深層学習に基づく医療画像解析システムにおけるバイアスの同時緩和と検出を目的としたマルチタスク・トレーニング戦略を提案する。
具体的には,バイアスに対する識別モジュールと,ベース分類モデルにおける不公平性を予測するクリティカルモジュールを追加することを提案する。
大規模で利用可能な皮膚病変データセットのフレームワークを評価します。
論文 参考訳（メタデータ） (2021-03-07T03:10:32Z)
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。