論文の概要: AI-Driven Cytomorphology Image Synthesis for Medical Diagnostics

• arxiv url: http://arxiv.org/abs/2507.05063v1
• Date: Mon, 07 Jul 2025 14:49:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:35.461384
• Title: AI-Driven Cytomorphology Image Synthesis for Medical Diagnostics
• Title（参考訳）: 医用診断のためのAI駆動型細胞形態画像合成
• Authors: Jan Carreras Boada, Rao Muhammad Umer, Carsten Marr,
• Abstract要約: 本研究は急性骨髄性白血病(AML)などの血液疾患の診断における重要な要素である単一白血球の分類に焦点を当てる。 本研究では,微調整された安定拡散モデルを用いて生成した合成画像が,限られたデータに対する分類器性能をいかに向上させるかを示す。 本研究は, バイオメディカル研究のツールとして合成画像を確立し, 機械学習モデルの改良, 医療診断・研究の促進を目的としている。
• 参考スコア（独自算出の注目度）: 3.462981934061808
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Biomedical datasets often contain a large sample imbalance and are subject to strict privacy constraints, which together hinder the development of accurate machine learning models. One potential solution is to generate synthetic images, as this can improve data availability while preserving patient privacy. However, it remains difficult to generate synthetic images of sufficient quality for training robust classifiers. In this work, we focus on the classification of single white blood cells, a key component in the diagnosis of hematological diseases such as acute myeloid leukemia (AML), a severe blood cancer. We demonstrate how synthetic images generated with a fine-tuned stable diffusion model using LoRA weights when guided by real few-shot samples of the target white blood cell classes, can enhance classifier performance for limited data. When training a ResNet classifier, accuracy increased from 27.3\% to 78.4\% (+51.1\%) by adding 5000 synthetic images per class to a small and highly imbalanced real dataset. For a CLIP-based classifier, the accuracy improved from 61.8\% to 76.8\% (+15.0\%). The synthetic images are highly similar to real images, and they can help overcome dataset limitations, enhancing model generalization. Our results establish synthetic images as a tool in biomedical research, improving machine learning models, and facilitating medical diagnosis and research.
• Abstract（参考訳）: バイオメディカルデータセットは、しばしば大きなサンプルの不均衡を含んでおり、厳格なプライバシー制約を受けるため、正確な機械学習モデルの開発を妨げている。 潜在的な解決策の1つは、患者のプライバシーを維持しながらデータの可用性を向上させるため、合成画像を生成することである。 しかし、頑健な分類器を訓練するのに十分な品質の合成画像を生成することは依然として困難である。 本研究は急性骨髄性白血病(AML)などの血液疾患の診断における重要な要素である単一白血球の分類に焦点を当てた。 目的とする白血球クラスの実検体を用いてLoRA重みを用いた微調整安定拡散モデルを用いて生成した合成画像は,限られたデータに対する分類器性能を向上させることができることを示す。 ResNet分類器を訓練すると、精度は27.3\%から78.4\%(+51.1\%)に向上した。 CLIPベースの分類器では、精度は61.8\%から76.8\%(+15.0\%)に向上した。 合成画像は実際の画像と非常によく似ており、データセットの制限を克服し、モデルの一般化を強化するのに役立つ。 本研究は, バイオメディカル研究のツールとして合成画像を確立し, 機械学習モデルの改良, 医療診断・研究の促進を目的としている。

関連論文リスト

• Doctor Approved: Generating Medically Accurate Skin Disease Images through AI-Expert Feedback [43.1078084014722]
  本稿では,データ拡張のための臨床的精度の高い皮膚疾患像を合成する新しいフレームワークMAGICを提案する。 提案手法は,専門家定義基準を,DM画像合成のための実用的なフィードバックに創造的に変換する。
  論文  参考訳（メタデータ） (2025-06-14T03:15:09Z)
• PixCell: A generative foundation model for digital histopathology images [49.00921097924924]
  PixCellは,病理組織学における最初の拡散ベース生成基盤モデルである。 われわれはPanCan-30MでPixCellをトレーニングした。
  論文  参考訳（メタデータ） (2025-06-05T15:14:32Z)
• Improving Heart Rejection Detection in XPCI Images Using Synthetic Data Augmentation [0.0]
  StyleGANは利用可能な3Rバイオプシーパッチで訓練され、その後、1万のリアルな合成画像を生成するために使用された。 これらは、ResNet-18分類器をバイナリーリジェクション分類のために訓練するための様々な構成において、レジェクション無しのサンプルである実際の0Rサンプルと組み合わせられた。 その結果, 実検体と組み合わせて使用する場合, 合成データにより分類性能が向上することが示唆された。
  論文  参考訳（メタデータ） (2025-05-26T09:26:36Z)
• Diverse Image Generation with Diffusion Models and Cross Class Label Learning for Polyp Classification [4.747649393635696]
  そこで我々は,多種多様な特徴を持つテキスト制御合成画像を生成する新しいモデルPathoPolyp-Diffを開発した。 モデルが他のクラスから特徴を学習できるように、クラス間ラベル学習を導入し、データアノテーションの面倒な作業を減らす。
  論文  参考訳（メタデータ） (2025-02-08T04:26:20Z)
• Merging synthetic and real embryo data for advanced AI predictions [69.07284335967019]
  我々は、作成した2つのデータセットを用いて、2つの生成モデルをトレーニングし、既存の1つのデータセットを使用して、様々な細胞レベルで合成胚画像を生成する。 これらは実画像と組み合わせて、胚細胞ステージ予測のための分類モデルを訓練した。 その結果,実データと合成画像を組み合わせることで分類性能が向上し,実データのみをトレーニングした場合の94.5%に比べて97%の精度が得られた。
  論文  参考訳（メタデータ） (2024-12-02T08:24:49Z)
• Evaluating the plausibility of synthetic images for improving automated endoscopic stone recognition [0.9480662172227129]
  現在、Morpho-Constitutional Analysis (MCA) は腎臓結石の組織学的診断における事実上のアプローチである。 近年では、内視鏡的石盤認識(ESR)と呼ばれる、そのようなタスクを術中実行することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-09-20T11:19:08Z)
• Augmenting medical image classifiers with synthetic data from latent diffusion models [12.077733447347592]
  我々は,潜伏拡散モデルが皮膚疾患の画像を生成することを実証した。 我々は,複数の生成戦略を用いて生成した458,920個の合成画像の新しいデータセットを生成し,解析する。
  論文  参考訳（メタデータ） (2023-08-23T22:34:49Z)
• Significantly improving zero-shot X-ray pathology classification via fine-tuning pre-trained image-text encoders [50.689585476660554]
  本稿では,正対損失緩和とランダムな文サンプリングを含む新たな微調整手法を提案する。 提案手法は,胸部X線データセットと3つの事前訓練モデル間のゼロショット病理分類を一貫して改善する。
  論文  参考訳（メタデータ） (2022-12-14T06:04:18Z)
• An interpretable classifier for high-resolution breast cancer screening images utilizing weakly supervised localization [45.00998416720726]
  医用画像の特徴に対処する枠組みを提案する。 このモデルはまず、画像全体の低容量だがメモリ効率のよいネットワークを使用して、最も情報性の高い領域を識別する。 次に、選択したリージョンから詳細を収集するために、別の高容量ネットワークを適用します。 最後に、グローバルおよびローカル情報を集約して最終的な予測を行うフュージョンモジュールを使用する。
  論文  参考訳（メタデータ） (2020-02-13T15:28:42Z)

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。