論文の概要: A COCO-Formatted Instance-Level Dataset for Plasmodium Falciparum Detection in Giemsa-Stained Blood Smears

• arxiv url: http://arxiv.org/abs/2507.18483v1
• Date: Thu, 24 Jul 2025 14:56:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-25 15:10:43.830683
• Title: A COCO-Formatted Instance-Level Dataset for Plasmodium Falciparum Detection in Giemsa-Stained Blood Smears
• Title（参考訳）: ギムサ染色血腫におけるPlasmodium Falciparum検出のためのCOCO-formatted Instance-Level Dataset
• Authors: Frauke Wilm, Luis Carlos Rivera Monroy, Mathias Öttl, Lukas Mürdter, Leonid Mill, Andreas Maier,
• Abstract要約: 我々は、オブジェクト検出トレーニングをサポートするために、COCOフォーマットの詳細なバウンディングボックスアノテーションを備えた、公開可能なNIHマラリアデータセットの強化版を提示する。 我々は,感染および非感染赤血球,および白血球を検出するために,より高速なR-CNNモデルを訓練することにより,改訂されたアノテーションを検証した。
• 参考スコア（独自算出の注目度）: 2.8115690524924357
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate detection of Plasmodium falciparum in Giemsa-stained blood smears is an essential component of reliable malaria diagnosis, especially in developing countries. Deep learning-based object detection methods have demonstrated strong potential for automated Malaria diagnosis, but their adoption is limited by the scarcity of datasets with detailed instance-level annotations. In this work, we present an enhanced version of the publicly available NIH malaria dataset, with detailed bounding box annotations in COCO format to support object detection training. We validated the revised annotations by training a Faster R-CNN model to detect infected and non-infected red blood cells, as well as white blood cells. Cross-validation on the original dataset yielded F1 scores of up to 0.88 for infected cell detection. These results underscore the importance of annotation volume and consistency, and demonstrate that automated annotation refinement combined with targeted manual correction can produce training data of sufficient quality for robust detection performance. The updated annotations set is publicly available via GitHub: https://github.com/MIRA-Vision-Microscopy/malaria-thin-smear-coco.
• Abstract（参考訳）: ジエメサの血液スミアにおけるPlasmodium falciparumの正確な検出は、特に発展途上国において、信頼できるマラリア診断の重要な構成要素である。 ディープラーニングに基づくオブジェクト検出手法は、自動マラリア診断の強力な可能性を示しているが、その採用は、詳細なインスタンスレベルのアノテーションを持つデータセットの不足によって制限されている。 本研究では、オブジェクト検出トレーニングをサポートするために、COCOフォーマットの詳細なバウンディングボックスアノテーションを備えた、公開可能なNIHマラリアデータセットの強化版を提案する。 我々は,感染および非感染赤血球,および白血球を検出するために,より高速なR-CNNモデルを訓練することにより,改訂されたアノテーションを検証した。 元のデータセットのクロスバリデーションは、感染細胞検出のためのF1スコアを最大0.88まで獲得した。 これらの結果は、アノテーション量と一貫性の重要性を強調し、自動アノテーション修正と目標手動補正が組み合わさって、堅牢な検出性能を実現するのに十分な品質のトレーニングデータが得られることを示した。 更新されたアノテーションセットはGitHubから公開されている。 https://github.com/MIRA-Vision-Microscopy/malaria-thin-smear-coco。

関連論文リスト

• Enhanced Tuberculosis Bacilli Detection using Attention-Residual U-Net and Ensemble Classification [0.0]
  Mycobacterium tuberculosisによって引き起こされた結核は、依然として重要な世界的な健康問題であり、タイムリーな診断と治療を必要としている。 蛍光顕微鏡スミア画像からの結核菌の検出法は, 自動化が低く, セグメンテーション性能が不十分で, 分類精度が限られている。 本稿では,セグメント化のためのディープラーニングと分類のためのアンサンブルモデルを組み合わせた,効率的なハイブリッド手法を提案する。
  論文  参考訳（メタデータ） (2025-01-07T05:21:13Z)
• Unlearnable Examples Detection via Iterative Filtering [84.59070204221366]
  ディープニューラルネットワークは、データ中毒攻撃に弱いことが証明されている。 混合データセットから有毒なサンプルを検出することは極めて有益であり、困難である。 UE識別のための反復フィルタリング手法を提案する。
  論文  参考訳（メタデータ） (2024-08-15T13:26:13Z)
• ArSDM: Colonoscopy Images Synthesis with Adaptive Refinement Semantic Diffusion Models [69.9178140563928]
  大腸内視鏡検査は臨床診断や治療に不可欠である。 注釈付きデータの不足は、既存の手法の有効性と一般化を制限する。 本稿では, 下流作業に有用な大腸内視鏡画像を生成するために, 適応Refinement Semantic Diffusion Model (ArSDM)を提案する。
  論文  参考訳（メタデータ） (2023-09-03T07:55:46Z)
• Class Attention to Regions of Lesion for Imbalanced Medical Image Recognition [59.28732531600606]
  データ不均衡問題に対処するため,textbfClass textbfAttention to textbfRegions of the lesion (CARE)を提案する。 CAREフレームワークは、まれな疾患の病変領域を表すために、バウンディングボックスを必要とする。 その結果,自動バウンディングボックス生成によるCARE変種は,オリジナルのCAREフレームワークに匹敵することがわかった。
  論文  参考訳（メタデータ） (2023-07-19T15:19:02Z)
• Augment and Criticize: Exploring Informative Samples for Semi-Supervised Monocular 3D Object Detection [64.65563422852568]
  我々は、一般的な半教師付きフレームワークを用いて、難解な単分子3次元物体検出問題を改善する。 我々は、ラベルのないデータから豊富な情報的サンプルを探索する、新しい、シンプルで効果的なAugment and Criticize'フレームワークを紹介します。 3DSeMo_DLEと3DSeMo_FLEXと呼ばれる2つの新しい検出器は、KITTIのAP_3D/BEV(Easy)を3.5%以上改善した。
  論文  参考訳（メタデータ） (2023-03-20T16:28:15Z)
• Anatomy-Guided Weakly-Supervised Abnormality Localization in Chest X-rays [17.15666977702355]
  本稿では,弱いアノテーション問題に対処するため,解剖誘導胸部X線ネットワーク(AGXNet)を提案する。 本フレームワークは2つのネットワークのカスケードから構成される。1つは解剖学的異常を同定し,もう1つは病理学的観察を行う。 MIMIC-CXRデータセットを用いて,AGXNetの疾患および解剖学的異常局在に対する有効性を示した。
  論文  参考訳（メタデータ） (2022-06-25T18:33:27Z)
• Label Cleaning Multiple Instance Learning: Refining Coarse Annotations on Single Whole-Slide Images [83.7047542725469]
  病理検体の全スライディング画像(WSI)における癌領域のアノテーションは、臨床診断、生医学研究、機械学習アルゴリズムの開発において重要な役割を担っている。 本稿では,外部トレーニングデータを必要とせず,単一のWSI上で粗いアノテーションを洗練するためのLC-MIL (Label Cleaning Multiple Instance Learning) を提案する。 乳癌リンパ節転移,肝癌,大腸癌の検体を併用した異種 WSI 実験の結果,LC-MIL は粗いアノテーションを著しく改善し,単一スライドから学習しながらも,最先端の代替品よりも優れていた。
  論文  参考訳（メタデータ） (2021-09-22T15:06:06Z)
• Out of Distribution Detection and Adversarial Attacks on Deep Neural Networks for Robust Medical Image Analysis [8.985261743452988]
  マハラノビス距離に基づく信頼度スコアのロバスト性を実験的に評価した。 その結果,マハラノビス信頼スコア検出器は深層学習モデルの性能向上と堅牢性を示した。
  論文  参考訳（メタデータ） (2021-07-10T18:00:40Z)
• Attack-agnostic Adversarial Detection on Medical Data Using Explainable Machine Learning [0.0]
  本論文では,2つのデータセット上での対比サンプルの正確な検出のためのモデル非依存説明性に基づく手法を提案する。 MIMIC-IIIとHenan-Renmin EHRのデータセットでは,縦軸攻撃に対する検出精度は77%であった。 MIMIC-CXRデータセットでは88%の精度を実現し、すべての設定において、両方のデータセットにおける敵検出技術の現状を10%以上改善した。
  論文  参考訳（メタデータ） (2021-05-05T10:01:53Z)
• 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)

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。