論文の概要: MS-YOLO: A Multi-Scale Model for Accurate and Efficient Blood Cell Detection

• arxiv url: http://arxiv.org/abs/2506.03972v1
• Date: Wed, 04 Jun 2025 14:02:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-05 21:20:14.366288
• Title: MS-YOLO: A Multi-Scale Model for Accurate and Efficient Blood Cell Detection
• Title（参考訳）: MS-YOLO: 高精度かつ効率的な血液細胞検出のためのマルチスケールモデル
• Authors: Guohua Wu, Shengqi Chen, Pengchao Deng, Wenting Yu,
• Abstract要約: 本研究は, YOLOv11フレームワークに基づく血液細胞検出モデルであるマルチスケールYOLO (MS-YOLO) を提案する。 MS-YOLOは検出性能を高めるために3つの重要なアーキテクチャ革新を取り入れている。
• 参考スコア（独自算出の注目度）: 4.246758319242548
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Complete blood cell detection holds significant value in clinical diagnostics. Conventional manual microscopy methods suffer from time inefficiency and diagnostic inaccuracies. Existing automated detection approaches remain constrained by high deployment costs and suboptimal accuracy. While deep learning has introduced powerful paradigms to this field, persistent challenges in detecting overlapping cells and multi-scale objects hinder practical deployment. This study proposes the multi-scale YOLO (MS-YOLO), a blood cell detection model based on the YOLOv11 framework, incorporating three key architectural innovations to enhance detection performance. Specifically, the multi-scale dilated residual module (MS-DRM) replaces the original C3K2 modules to improve multi-scale discriminability; the dynamic cross-path feature enhancement module (DCFEM) enables the fusion of hierarchical features from the backbone with aggregated features from the neck to enhance feature representations; and the light adaptive-weight downsampling module (LADS) improves feature downsampling through adaptive spatial weighting while reducing computational complexity. Experimental results on the CBC benchmark demonstrate that MS-YOLO achieves precise detection of overlapping cells and multi-scale objects, particularly small targets such as platelets, achieving an mAP@50 of 97.4% that outperforms existing models. Further validation on the supplementary WBCDD dataset confirms its robust generalization capability. Additionally, with a lightweight architecture and real-time inference efficiency, MS-YOLO meets clinical deployment requirements, providing reliable technical support for standardized blood pathology assessment.
• Abstract（参考訳）: 完全な血液細胞検出は臨床診断において重要な意味を持つ。 従来の手動顕微鏡法は、時間的非効率性と診断の不正確さに悩まされている。 既存の自動検出アプローチは、高いデプロイメントコストと準最適精度に制約されているままである。 ディープラーニングはこの分野に強力なパラダイムを導入してきたが、重複する細胞やマルチスケールオブジェクトを検出するという永続的な課題は、現実的な展開を妨げる。 本研究は, YOLOv11フレームワークに基づく血液細胞検出モデルであるマルチスケールYOLO (MS-YOLO) を提案する。 特に、マルチスケール拡張残余モジュール(MS-DRM)は、元のC3K2モジュールを置き換えて、マルチスケールの識別性を向上し、動的クロスパス機能拡張モジュール(DCFEM)は、バックボーンから階層的特徴の融合を可能にし、ネックから集約された特徴が特徴表現を増強し、軽量適応重み付けモジュール(LADS)は、適応的空間重み付けによる機能ダウンサンプリングを改善し、計算複雑性を低減した。 CBCベンチマークの実験結果は、MS-YOLOが重なり合う細胞や、特に血小板のような小さなターゲットを正確に検出し、既存のモデルを上回る97.4%のmAP@50を達成することを示した。 補足WBCDDデータセットのさらなる検証は、その堅牢な一般化能力を確認する。 さらに、軽量なアーキテクチャとリアルタイム推論効率により、MS-YOLOは臨床展開要件を満たし、標準化された血液病理診断のための信頼性の高い技術サポートを提供する。

関連論文リスト

• Optimizing Multispectral Object Detection: A Bag of Tricks and Comprehensive Benchmarks [49.84182981950623]
  RGBおよびTIR(熱赤外)変調を利用したマルチスペクトル物体検出は,課題として広く認識されている。 モダリティと堅牢な融合戦略の両方から特徴を効果的に抽出するだけでなく、スペクトルの相違といった問題に対処する能力も必要である。 本稿では,高パフォーマンス単一モードモデルのシームレスな最適化が可能な,効率的かつ容易にデプロイ可能なマルチスペクトルオブジェクト検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-27T12:18:39Z)
• CAF-YOLO: A Robust Framework for Multi-Scale Lesion Detection in Biomedical Imagery [0.0682074616451595]
  CAF-YOLOは、畳み込みニューラルネットワーク(CNN)とトランスフォーマーの強みを活用する、医学的対象検出のための、巧妙で堅牢な方法である。 ACFMモジュールはグローバル機能とローカル機能の両方のモデリングを強化し、長期的な機能依存のキャプチャを可能にする。 MSNNは多様なスケールにまたがる特徴を抽出することで、マルチスケールの情報集約を改善する。
  論文  参考訳（メタデータ） (2024-08-04T01:44:44Z)
• Accurate Leukocyte Detection Based on Deformable-DETR and Multi-Level Feature Fusion for Aiding Diagnosis of Blood Diseases [5.788342067882157]
  本稿では,多レベル特徴融合と変形性自己注意型DETR(MFDS-DETR)という,新しい白血球検出法を提案する。 このモデルは、チャネルアテンションモジュールを介して低レベル特徴情報をフィルタリングするために、ハイレベル特徴を重みとして利用する。 マルチスケールの変形可能な自己保持モジュールをエンコーダに組み込むことにより、白血球機能不足の問題に対処する。
  論文  参考訳（メタデータ） (2024-01-01T16:28:30Z)
• ADA-YOLO: Dynamic Fusion of YOLOv8 and Adaptive Heads for Precise Image Detection and Diagnosis [0.9804179673817571]
  本稿では,注目に基づく機構をYOLOv8アーキテクチャと統合した,軽量かつ効果的な医療オブジェクト検出手法であるADA-YOLOを提案する。 提案手法は,テキスト適応型ヘッドモジュールによるコンピュータビジョンタスクの動的特徴ローカライゼーションと並列回帰を利用する。
  論文  参考訳（メタデータ） (2023-12-14T18:27:13Z)
• End-to-End Breast Cancer Radiotherapy Planning via LMMs with Consistency Embedding [47.360760580820966]
  放射線腫瘍学の分野に適した包括的大規模マルチモーダルモデル(LMM)であるRO-LMMを提案する。 このモデルは臨床ワークフロー内の一連のタスクを効果的に管理し、臨床コンテキストの要約、放射線治療計画の提案、計画誘導されたターゲットボリュームセグメンテーションを含む。 クリーン入力処理の整合性を維持しつつ,LMMのノイズ入力に対する堅牢性を向上する,CEFTune(Consistency Embedding Fine-Tuning)技術を提案する。
  論文  参考訳（メタデータ） (2023-11-27T14:49:06Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• Learning Multiscale Consistency for Self-supervised Electron Microscopy Instance Segmentation [48.267001230607306]
  本稿では,EMボリュームのマルチスケール一貫性を高める事前学習フレームワークを提案する。 当社のアプローチでは,強力なデータ拡張と弱いデータ拡張を統合することで,Siameseネットワークアーキテクチャを活用している。 効果的にボクセルと機能の一貫性をキャプチャし、EM分析のための転送可能な表現を学習する。
  論文  参考訳（メタデータ） (2023-08-19T05:49:13Z)
• SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection [63.253850875265115]
  外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。 そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
  論文  参考訳（メタデータ） (2020-03-11T00:22:50Z)

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。