論文の概要: Platelet enumeration in dense aggregates
- arxiv url: http://arxiv.org/abs/2505.02751v1
- Date: Mon, 05 May 2025 16:05:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-06 18:49:35.737025
- Title: Platelet enumeration in dense aggregates
- Title（参考訳）: 高密度集合体における血小板の数え上げ
- Authors: H. Martin Gillis, Yogeshwar Shendye, Paul Hollensen, Alan Fine, Thomas Trappenberg,
- Abstract要約: 血小板変動の緩和における畳み込み核の役割について検討する。
単一血小板凝集体と血小板凝集体に特化する別のアプローチを提案する。
実験の結果,血小板の同定に有意な改善が認められた。
- 参考スコア（独自算出の注目度）: 1.0485739694839669
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Identifying and counting blood components such as red blood cells, various types of white blood cells, and platelets is a critical task for healthcare practitioners. Deep learning approaches, particularly convolutional neural networks (CNNs) using supervised learning strategies, have shown considerable success for such tasks. However, CNN based architectures such as U-Net, often struggles to accurately identify platelets due to their sizes and high variability of features. To address these challenges, researchers have commonly employed strategies such as class weighted loss functions, which have demonstrated some success. However, this does not address the more significant challenge of platelet variability in size and tendency to form aggregates and associations with other blood components. In this study, we explored an alternative approach by investigating the role of convolutional kernels in mitigating these issues. We also assigned separate classes to singular platelets and platelet aggregates and performed semantic segmentation using various U-Net architectures for identifying platelets. We then evaluated and compared two common methods (pixel area method and connected component analysis) for counting platelets and proposed an alternative approach specialized for single platelets and platelet aggregates. Our experiments provided results that showed significant improvements in the identification of platelets, highlighting the importance of optimizing convolutional operations and class designations. We show that the common practice of pixel area-based counting often over estimate platelet counts, whereas the proposed method presented in this work offers significant improvements. We discuss in detail about these methods from segmentation masks.
- Abstract（参考訳）: 医療従事者にとって、赤血球、白血球、血小板などの血液成分の同定と測定は重要な課題である。
ディープラーニングアプローチ、特に教師付き学習戦略を用いた畳み込みニューラルネットワーク(CNN)は、そのようなタスクでかなりの成功を収めている。
しかし、U-NetのようなCNNベースのアーキテクチャは、そのサイズと特徴の多様性の高さから、しばしばプレートを正確に識別するのに苦労する。
これらの課題に対処するため、研究者はクラス重み付け損失関数のような戦略をよく採用しており、いくつかの成功例がある。
しかし、これは、他の血液成分との凝集や関連を形成する傾向にある大きさや傾向において、血小板の変動性のより重要な課題に対処するものではない。
本研究では,これらの問題を緩和する上での畳み込みカーネルの役割について検討した。
また,異なるクラスを特異な血小板と血小板集合に割り当て,様々なU-Netアーキテクチャを用いてセマンティックセグメンテーションを行い,血小板の同定を行った。
次に, 血小板計数のための2つの共通手法(ピクセル面積法と連結成分分析)を評価, 比較し, 単一血小板と血小板凝集物に特化した代替手法を提案した。
実験の結果,血小板の同定は有意に改善し,畳み込み操作の最適化とクラス指定の重要性が示された。
本研究で提案する手法は, プレート数の推定よりも画素面積のカウントが一般的であるのに対して, 提案手法は大きな改善をもたらすことを示す。
本稿では,これらの手法について,セグメンテーションマスクから詳細に論じる。
関連論文リスト
- Breaking Down the Hierarchy: A New Approach to Leukemia Classification [0.6409869760808027]
本研究は,白血病サブタイプの分類に先進的な深層学習技術を活用した,洗練された包括的戦略を提案する。
この研究は、様々な種類の白血病を正確に分類できる臨床手順にインスパイアされた新しい階層的アプローチも導入している。
実験結果の視覚的表現は、モデルの説明可能性を高め、分類プロセスの理解を支援するために提供される。
論文 参考訳（メタデータ） (2025-02-15T20:36:15Z) - 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) - A region and category confidence-based multi-task network for carotid
ultrasound image segmentation and classification [6.162577404860473]
超音波頸動脈プラーク分割と分類のためのマルチタスク学習フレームワーク(RCCM-Net)を提案する。
このフレームワークは、領域信頼モジュール(RCM)とサンプルカテゴリ信頼モジュール(CCM)を使用して、これらの2つのタスク間の相関を利用する。
提案手法は,既存のシングルタスクネットワークと比較してセグメンテーションと分類性能を両立させることができることを示す。
論文 参考訳（メタデータ） (2023-07-02T14:43:59Z) - 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) - Rethinking Semi-Supervised Medical Image Segmentation: A
Variance-Reduction Perspective [51.70661197256033]
医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。
まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。
5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
論文 参考訳（メタデータ） (2023-02-03T13:50:25Z) - Simultaneous segmentation and classification of the retinal arteries and
veins from color fundus images [6.027522272446452]
網膜血管の研究は多くの疾患のスクリーニングと診断の基本的な段階である。
眼底画像からの網膜A/Vの同時分画と分類のための新しいアプローチを提案する。
論文 参考訳（メタデータ） (2022-09-20T09:54:01Z) - 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) - Multi-Scale Input Strategies for Medulloblastoma Tumor Classification
using Deep Transfer Learning [59.30734371401316]
乳腺芽腫は小児で最も多い悪性脳腫瘍である。
CNNはMBサブタイプ分類に有望な結果を示した。
タイルサイズと入力戦略の影響について検討した。
論文 参考訳（メタデータ） (2021-09-14T09:42:37Z) - Medulloblastoma Tumor Classification using Deep Transfer Learning with
Multi-Scale EfficientNets [63.62764375279861]
本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。
161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
論文 参考訳（メタデータ） (2021-09-10T13:07:11Z) - Alleviating the Incompatibility between Cross Entropy Loss and Episode
Training for Few-shot Skin Disease Classification [76.89093364969253]
そこで本研究では,皮膚疾患の診断にFew-Shot Learningを応用し,トレーニングサンプル問題の極端な不足に対処することを提案する。
本稿では, エピソード学習において, クロスエントロピー(CE)よりも優れたクエリ-相対的損失(QR)を提案する。
さらに,新しい適応型ハードマージン戦略により,提案したQR損失をさらに強化する。
論文 参考訳（メタデータ） (2020-04-21T00:57:11Z)
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。