論文の概要: Leveraging Sparse Annotations for Leukemia Diagnosis on the Large Leukemia Dataset

• arxiv url: http://arxiv.org/abs/2504.02602v1
• Date: Thu, 03 Apr 2025 14:04:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-04 12:56:19.474729
• Title: Leveraging Sparse Annotations for Leukemia Diagnosis on the Large Leukemia Dataset
• Title（参考訳）: 大型白血病データを用いた白血病診断におけるスパースアノテーションの活用
• Authors: Abdul Rehman, Talha Meraj, Aiman Mahmood Minhas, Ayisha Imran, Mohsen Ali, Waqas Sultani, Mubarak Shah,
• Abstract要約: 白血病は世界で10番目に頻繁に診断されるがんであり、がん関連死亡の原因の1つとなっている。 医学画像の深層学習の進歩にもかかわらず、白血病解析には多種多様なマルチタスクデータセットが欠けている。 大規模WBCデータセットと,その属性を用いてWBCを検出する新しい手法を提案する。
• 参考スコア（独自算出の注目度）: 44.948939549346676
• License:
• Abstract: Leukemia is 10th most frequently diagnosed cancer and one of the leading causes of cancer related deaths worldwide. Realistic analysis of Leukemia requires White Blook Cells (WBC) localization, classification, and morphological assessment. Despite deep learning advances in medical imaging, leukemia analysis lacks a large, diverse multi-task dataset, while existing small datasets lack domain diversity, limiting real world applicability. To overcome dataset challenges, we present a large scale WBC dataset named Large Leukemia Dataset (LLD) and novel methods for detecting WBC with their attributes. Our contribution here is threefold. First, we present a large-scale Leukemia dataset collected through Peripheral Blood Films (PBF) from several patients, through multiple microscopes, multi cameras, and multi magnification. To enhance diagnosis explainability and medical expert acceptance, each leukemia cell is annotated at 100x with 7 morphological attributes, ranging from Cell Size to Nuclear Shape. Secondly, we propose a multi task model that not only detects WBCs but also predicts their attributes, providing an interpretable and clinically meaningful solution. Third, we propose a method for WBC detection with attribute analysis using sparse annotations. This approach reduces the annotation burden on hematologists, requiring them to mark only a small area within the field of view. Our method enables the model to leverage the entire field of view rather than just the annotated regions, enhancing learning efficiency and diagnostic accuracy. From diagnosis explainability to overcoming domain shift challenges, presented datasets could be used for many challenging aspects of microscopic image analysis. The datasets, code, and demo are available at: https://im.itu.edu.pk/sparse-leukemiaattri/
• Abstract（参考訳）: 白血病は世界で10番目に頻繁に診断されるがんであり、がん関連死亡の原因の1つとなっている。 白血病の現実的な解析には、WBC(White Blook Cells)の局在、分類、形態学的評価が必要である。 医学画像の深層学習の進歩にもかかわらず、白血病解析には多種多様なマルチタスクデータセットが欠けており、既存の小さなデータセットにはドメインの多様性がなく、現実の応用性が制限されている。 データセットの課題を克服するために,Large Leukemia Dataset (LLD) と呼ばれる大規模WBCデータセットと,その属性でWBCを検出する新しい手法を提案する。 ここでの私たちの貢献は3倍です。 まず、末梢血膜(PBF)を用いて、複数の顕微鏡、マルチカメラ、マルチ倍率で収集した大規模な白血病データセットについて述べる。 診断説明性と医療専門家の受け入れを高めるため、各白血病細胞は、細胞の大きさから核形状まで7つの形態的特性を持つ100倍のアノテートを受ける。 次に,WBCを検知するだけでなく,その属性を予測し,解釈可能かつ臨床的に意味のあるソリューションを提供するマルチタスクモデルを提案する。 第3に,スパースアノテーションを用いた属性解析によるWBC検出手法を提案する。 このアプローチは、血液学者に対するアノテーションの負担を軽減し、視野内の小さな領域のみをマークする必要がある。 提案手法により,注釈付き領域だけでなく視野全体の活用が可能となり,学習効率と診断精度が向上する。 診断説明可能性からドメインシフトの課題克服に至るまで、提示されたデータセットは、顕微鏡画像解析の多くの困難な側面に使用することができる。 データセット、コード、デモは、https://im.itu.ed.pk/sparse-leukemiaattri/で公開されている。

関連論文リスト

• A Hybrid Feature Fusion Deep Learning Framework for Leukemia Cancer Detection in Microscopic Blood Sample Using Gated Recurrent Unit and Uncertainty Quantification [1.024113475677323]
  白血病は、顕微鏡で血液や骨髄の腫れを分析して診断され、さらなる細胞化学的検査によって確認される。 深層学習は、白血病細胞の検出を補助する、顕微鏡スミア画像を分類する高度な方法を提供している。 本研究では,急性リンパ性白血病(ALL)の分類のためのハイブリッドディープラーニングモデルを構築した。 提案手法は、ALL-IDB1データセットで100%、ALL-IDB2データセットで98.07%、組み合わせたデータセットで98.64%という顕著な検出精度を達成した。
  論文  参考訳（メタデータ） (2024-10-18T15:23:34Z)
• A Large-scale Multi Domain Leukemia Dataset for the White Blood Cells Detection with Morphological Attributes for Explainability [7.6197612404154285]
  白血球の予後は白血球の形態的情報なしでは困難である 深層学習に基づく手法は、血液学者を支援するために用いられる。 私たちは現実的で、一般化され、大規模なデータセットを取得しました。
  論文  参考訳（メタデータ） (2024-05-17T14:20:02Z)
• DinoBloom: A Foundation Model for Generalizable Cell Embeddings in Hematology [1.3551232282678036]
  血液学における単細胞画像の最初の基盤モデルであるDinoBloomを紹介した。 本モデルは末梢血と骨髄のスミアの13種類の多種多様な公開データセットの広範囲な収集に基づいて構築されている。 4つのDinoBloomモデルのファミリーは、幅広い下流アプリケーションに適応することができる。
  論文  参考訳（メタデータ） (2024-04-07T17:25:52Z)
• Multi-task Explainable Skin Lesion Classification [54.76511683427566]
  少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。 提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
  論文  参考訳（メタデータ） (2023-10-11T05:49:47Z)
• WBCAtt: A White Blood Cell Dataset Annotated with Detailed Morphological Attributes [22.423647778787334]
  本稿では,WBC(White Blood Cells)画像に対する包括的なアノテーションを提案する。 細胞とその成分に関連する11の形態学的特性を同定した。 我々はこれらの属性を画像から予測する実験を行い、基本的なWBC分類を超えた洞察を提供する。
  論文  参考訳（メタデータ） (2023-06-23T14:52:37Z)
• 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)
• Federated Learning Enables Big Data for Rare Cancer Boundary Detection [98.5549882883963]
  6大陸にわたる71の医療機関のデータを含む,これまでで最大のフェデレーテッドML研究の結果を報告する。 グリオ芽腫の稀な疾患に対する腫瘍境界自動検出装置を作製した。 当科では, 外科的に標的とした腫瘍の悪性度を高めるために, 33%の改善率を示し, 腫瘍全体に対する23%の改善率を示した。
  論文  参考訳（メタデータ） (2022-04-22T17:27:00Z)
• 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)
• 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)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)

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。