論文の概要: Assessing the Impact of Image Super Resolution on White Blood Cell Classification Accuracy
- arxiv url: http://arxiv.org/abs/2508.03759v1
- Date: Mon, 04 Aug 2025 12:03:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-07 20:09:22.373496
- Title: Assessing the Impact of Image Super Resolution on White Blood Cell Classification Accuracy
- Title（参考訳）: 画像超解像が白血球の分類精度に及ぼす影響の評価
- Authors: Tatwadarshi P. Nagarhalli, Shruti S. Pawar, Soham A. Dahanukar, Uday Aswalekar, Ashwini M. Save, Sanket D. Patil,
- Abstract要約: 顕微鏡画像から正確な白血球を正確に分類することは、医療診断におけるいくつかの疾患や状態を特定するのに不可欠である。
ディープラーニング技術は、画像の迅速かつ自動分類に採用されている。
画像超解像などの画像改善技術は、この問題を回避するために写真の解像度を改善するために利用されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurately classifying white blood cells from microscopic images is essential to identify several illnesses and conditions in medical diagnostics. Many deep learning technologies are being employed to quickly and automatically classify images. However, most of the time, the resolution of these microscopic pictures is quite low, which might make it difficult to classify them correctly. Some picture improvement techniques, such as image super-resolution, are being utilized to improve the resolution of the photos to get around this issue. The suggested study uses large image dimension upscaling to investigate how picture-enhancing approaches affect classification performance. The study specifically looks at how deep learning models may be able to understand more complex visual information by capturing subtler morphological changes when image resolution is increased using cutting-edge techniques. The model may learn from standard and augmented data since the improved images are incorporated into the training process. This dual method seeks to comprehend the impact of image resolution on model performance and enhance classification accuracy. A well-known model for picture categorization is used to conduct extensive testing and thoroughly evaluate the effectiveness of this approach. This research intends to create more efficient image identification algorithms customized to a particular dataset of white blood cells by understanding the trade-offs between ordinary and enhanced images.
- Abstract（参考訳）: 顕微鏡画像から正確な白血球を正確に分類することは、医療診断におけるいくつかの疾患や状態を特定するのに不可欠である。
画像の迅速かつ自動分類に多くのディープラーニング技術が採用されている。
しかし、ほとんどの場合、これらの顕微鏡画像の解像度は非常に低く、それらを正しく分類することは困難である。
画像超解像などの画像改善技術は、この問題を回避するために写真の解像度を改善するために利用されている。
提案した研究は画像次元のアップスケーリングを用いて,画像強調手法が分類性能に与える影響について検討する。
この研究は、深層学習モデルがより複雑な視覚情報を理解するために、最先端技術を用いて画像の解像度が高められたときに、より微妙な形態変化を捉えることによって、どのようにしてより複雑な視覚情報を理解できるかを特に考察する。
このモデルは、改良された画像がトレーニングプロセスに組み込まれているので、標準および拡張データから学習することができる。
この2つの手法は、画像解像度がモデル性能に与える影響を理解し、分類精度を高めることを目的とする。
画像分類のためのよく知られたモデルを用いて、広範囲なテストを行い、このアプローチの有効性を徹底的に評価する。
本研究は、通常の画像と拡張画像とのトレードオフを理解することによって、特定の白血球のデータセットにカスタマイズされたより効率的な画像識別アルゴリズムを作成することを目的とする。
関連論文リスト
- 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) - Identifying regions of interest in whole slide images of renal cell carcinoma [0.0]
本研究は腎細胞癌(RCC)のスライド画像全体の関心領域(ROI)を自動的に検出するシステムを開発した。
提案手法は, 最大回転局所二分パターン (DRLBP) と色変換 (カラー変換) と呼ばれる効率的なテクスチャ記述子を用いて, 微視的高倍率レベルでの大局的なテクスチャ変動を明らかにし, 活用する。
提案手法は画像分類を極めて効果的に行い,ROIの同定に有効であることを示した。
論文 参考訳（メタデータ） (2025-04-09T22:28:26Z) - Attention to detail: inter-resolution knowledge distillation [1.927195358774599]
デジタル病理学におけるギガピクセル画像のためのコンピュータビジョンソリューションの開発は、スライド画像全体の大きさによって妨げられる。
近年の文献では, 画像分解能の低下によるモデル性能の向上を目的として, 知識蒸留法が提案されている。
本研究では,トレーニング中に注意マップを組み込むことで,これらの情報を抽出することを提案する。
論文 参考訳（メタデータ） (2024-01-11T16:16:20Z) - Detecting Generated Images by Real Images Only [64.12501227493765]
既存の画像検出手法は、生成画像中の視覚的アーティファクトを検出したり、大規模なトレーニングによって、実画像と生成画像の両方から識別的特徴を学習する。
本稿では,新たな視点から生成した画像検出問題にアプローチする。
実画像の共通性を見つけ、特徴空間内の密接な部分空間にマッピングすることで、生成した画像は生成モデルに関係なくサブ空間の外側に投影される。
論文 参考訳（メタデータ） (2023-11-02T03:09:37Z) - Domain Generalization for Mammographic Image Analysis with Contrastive
Learning [62.25104935889111]
効果的なディープラーニングモデルのトレーニングには、さまざまなスタイルと品質を備えた大規模なデータが必要である。
より優れたスタイルの一般化能力を備えた深層学習モデルを実現するために,新しいコントラスト学習法が開発された。
提案手法は,様々なベンダスタイルドメインのマンモグラムや,いくつかのパブリックデータセットを用いて,広範囲かつ厳密に評価されている。
論文 参考訳（メタデータ） (2023-04-20T11:40:21Z) - Performance of GAN-based augmentation for deep learning COVID-19 image
classification [57.1795052451257]
ディープラーニングを医療分野に適用する上で最大の課題は、トレーニングデータの提供である。
データ拡張は、限られたデータセットに直面した時に機械学習で使用される典型的な方法論である。
本研究は, 新型コロナウイルスの胸部X線画像セットを限定して, StyleGAN2-ADAモデルを用いて訓練するものである。
論文 参考訳（メタデータ） (2023-04-18T15:39:58Z) - 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) - Pathological Analysis of Blood Cells Using Deep Learning Techniques [0.0]
血液細胞像を様々なカテゴリに分類するニューラルネットワークが提案されている。
提案したモデルの性能は、既存の標準アーキテクチャよりも優れており、様々な研究者によってなされている。
論文 参考訳（メタデータ） (2021-11-05T05:37:10Z) - A Semi-Supervised Classification Method of Apicomplexan Parasites and
Host Cell Using Contrastive Learning Strategy [6.677163460963862]
本稿では, 3種類のアピコプレキサン寄生虫と非感染宿主細胞顕微鏡像の半教師付き分類法を提案する。
少数のラベル付きデータと多数のラベルなしデータをトレーニングに使用します。
顕微鏡画像の1%しかラベル付けされていない場合、提案手法は一般化された試験セットで94.90%の精度に達する。
論文 参考訳（メタデータ） (2021-04-14T02:34:50Z) - Generative Adversarial U-Net for Domain-free Medical Image Augmentation [49.72048151146307]
注釈付き医用画像の不足は、医用画像コンピューティングの分野における最大の課題の1つだ。
本稿では,生成逆U-Netという新しい生成手法を提案する。
当社の新しいモデルは、ドメインフリーで、さまざまな医療画像に汎用性があります。
論文 参考訳（メタデータ） (2021-01-12T23:02:26Z) - Guided interactive image segmentation using machine learning and color
based data set clustering [0.16683739531034203]
本稿では,スーパーボクセルを用いた機械学習によるインタラクティブな画像セグメント化と,大規模データセットにおける類似色画像の自動識別のためのクラスタリング手法を組み合わせた新しい手法を提案する。
本手法は, 生体画像や医用画像に有意な色変化が生じ, しばしば避けられない問題を解消する。
論文 参考訳（メタデータ） (2020-05-15T17:25:48Z)
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。