論文の概要: Comprehensive Benchmarking of YOLOv11 Architectures for Scalable and Granular Peripheral Blood Cell Detection

• arxiv url: http://arxiv.org/abs/2509.24595v1
• Date: Mon, 29 Sep 2025 11:00:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.930571
• Title: Comprehensive Benchmarking of YOLOv11 Architectures for Scalable and Granular Peripheral Blood Cell Detection
• Title（参考訳）: 拡張性および顆粒性末梢血細胞検出のためのYOLOv11アーキテクチャの総合的ベンチマーク
• Authors: Mohamad Abou Ali, Mariam Abdulfattah, Baraah Al Hussein, Fadi Dornaika, Ali Cherry, Mohamad Hajj-Hassan, Lara Hamawy,
• Abstract要約: 手動末梢血スミア(PBS)分析は、労働集約的で主観的である。 ディープラーニングは有望な代替手段を提供するが、細粒度PBS検出のためのYOLOv11のような技術モデルの体系的な評価はいまだに不足している。 12種類の末梢血細胞クラスに16,891枚の画像とレッド血細胞クラスを含む大規模なアノテートされた血液細胞検出分類データセットを収集し,対象検出タスクに慎重にアノテートした。 このデータセットには合計で298,850個の注釈付き細胞が含まれている。
• 参考スコア（独自算出の注目度）: 7.1318006858231975
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Manual peripheral blood smear (PBS) analysis is labor intensive and subjective. While deep learning offers a promising alternative, a systematic evaluation of state of the art models such as YOLOv11 for fine grained PBS detection is still lacking. In this work, we make two key contributions. First, we curate a large scale annotated dataset for blood cell detection and classification, comprising 16,891 images across 12 peripheral blood cell (PBC) classes, along with the red blood cell class, all carefully re annotated for object detection tasks. In total, the dataset contains 298,850 annotated cells. Second, we leverage this dataset to conduct a comprehensive evaluation of five YOLOv11 variants (ranging from Nano to XLarge). These models are rigorously benchmarked under two data splitting strategies (70:20:10 and 80:10:10) and systematically assessed using multiple performance criteria, including mean Average Precision (mAP), precision, recall, F1 score, and computational efficiency. Our experiments show that the YOLOv11 Medium variant achieves the best trade off, reaching a mAP@0.5 of 0.934 under the 8:1:1 split. Larger models (Large and XLarge) provide only marginal accuracy gains at substantially higher computational cost. Moreover, the 8:1:1 split consistently outperforms the 7:2:1 split across all models. These findings highlight YOLOv11, particularly the Medium variant, as a highly effective framework for automated, fine grained PBS detection. Beyond benchmarking, our publicly released dataset (github.com/Mohamad-AbouAli/OI-PBC-Dataset) offers a valuable resource to advance research on blood cell detection and classification in hematology.
• Abstract（参考訳）: 手動末梢血スミア(PBS)分析は、労働集約的で主観的である。 ディープラーニングは有望な代替手段を提供するが、細粒度PBS検出のためのYOLOv11のような最先端モデルの体系的な評価はいまだに不足している。 この作業では,2つの重要なコントリビューションを行います。 まず,12個の末梢血細胞(PBC)クラスにまたがる16,891枚の画像と,対象検出タスクのために慎重に注釈付けされた赤血球クラスからなる,大規模なアノテートされた血液細胞検出分類データセットをキュレートする。 このデータセットには合計で298,850個の注釈付き細胞が含まれている。 次に、このデータセットを利用して、5つのYOLOv11変種(NanoからXLargeまで)を包括的に評価する。 これらのモデルは2つのデータ分割戦略(70:20:10と80:10:10)の下で厳格にベンチマークされ、平均精度(mAP)、精度、リコール、F1スコア、計算効率などの複数の性能基準を用いて体系的に評価される。 実験の結果, YOLOv11 は 8:1:1 スプリットの下で 0.934 の mAP@0.5 に到達した。 より大きなモデル (Large と XLarge) は、計算コストが大幅に高い限界精度のみを提供する。 さらに、8:1:1のスプリットは、すべてのモデルで7:2:1のスプリットを上回っている。 これらの結果から, YOLOv11, 特にMedium variantは, 自動化された微細なPBS検出のための高効率なフレームワークとして注目された。 ベンチマークの他に、我々の公開データセット(github.com/Mohamad-AbouAli/OI-PBC-Dataset)は血液学における血液細胞の検出と分類の研究を促進する貴重なリソースを提供する。

関連論文リスト

• A Comparison of Deep Learning Methods for Cell Detection in Digital Cytology [1.607370483729741]
  Papanicolaou-stained cytological Whole Slide Images (WSIs) における細胞検出のためのDeep Learning (DL) 法の性能評価を行った。 市販のアルゴリズムとカスタム設計の検出器について検討し、2つのデータセットに適用する。 その結果、特に改良された完全畳み込み回帰ネットワーク(IFCRN)法は、検出精度と計算効率の両方の観点からセグメンテーションに基づく手法よりも優れていた。
  論文  参考訳（メタデータ） (2025-04-09T15:08:12Z)
• Leveraging Sparse Annotations for Leukemia Diagnosis on the Large Leukemia Dataset [44.948939549346676]
  白血病は世界で10番目に頻繁に診断されるがんであり、がん関連死亡の原因の1つとなっている。 医学画像の深層学習の進歩にもかかわらず、白血病解析には多種多様なマルチタスクデータセットが欠けている。 大規模WBCデータセットと,その属性を用いてWBCを検出する新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-04-03T14:04:02Z)
• Finetuning and Quantization of EEG-Based Foundational BioSignal Models on ECG and PPG Data for Blood Pressure Estimation [53.2981100111204]
  光胸腺撮影と心電図は、連続血圧モニタリング(BP)を可能にする可能性がある。 しかし、データ品質と患者固有の要因の変化のため、正確で堅牢な機械学習(ML)モデルは依然として困難である。 本研究では,1つのモータリティで事前学習したモデルを効果的に利用して,異なる信号タイプの精度を向上させる方法について検討する。 本手法は, 拡張期BPの最先端精度を約1.5倍に向上し, 拡張期BPの精度を1.5倍に向上させる。
  論文  参考訳（メタデータ） (2025-02-10T13:33:12Z)
• SMILE-UHURA Challenge -- Small Vessel Segmentation at Mesoscopic Scale from Ultra-High Resolution 7T Magnetic Resonance Angiograms [60.35639972035727]
  公開されている注釈付きデータセットの欠如は、堅牢で機械学習駆動のセグメンテーションアルゴリズムの開発を妨げている。 SMILE-UHURAチャレンジは、7T MRIで取得したTime-of-Flightアンジオグラフィーの注釈付きデータセットを提供することで、公開されている注釈付きデータセットのギャップに対処する。 Diceスコアは、それぞれのデータセットで0.838 $pm$0.066と0.716 $pm$ 0.125まで到達し、平均パフォーマンスは0.804 $pm$ 0.15までになった。
  論文  参考訳（メタデータ） (2024-11-14T17:06:00Z)
• A Hybrid Feature Fusion Deep Learning Framework for Leukemia Cancer Detection in Microscopic Blood Sample Using Gated Recurrent Unit and Uncertainty Quantification [1.024113475677323]
  白血病は、顕微鏡で血液や骨髄の腫れを分析して診断され、さらなる細胞化学的検査によって確認される。 深層学習は、白血病細胞の検出を補助する、顕微鏡スミア画像を分類する高度な方法を提供している。 本研究では,急性リンパ性白血病(ALL)の分類のためのハイブリッドディープラーニングモデルを構築した。 提案手法は、ALL-IDB1データセットで100%、ALL-IDB2データセットで98.07%、組み合わせたデータセットで98.64%という顕著な検出精度を達成した。
  論文  参考訳（メタデータ） (2024-10-18T15:23:34Z)
• Phikon-v2, A large and public feature extractor for biomarker prediction [42.52549987351643]
  我々は、DINOv2を用いて視覚変換器を訓練し、このモデルの1つのイテレーションを公開して、Phikon-v2と呼ばれるさらなる実験を行う。 Phikon-v2は、公開されている組織学のスライドをトレーニングしながら、以前リリースしたモデル(Phikon)を上回り、プロプライエタリなデータでトレーニングされた他の病理学基盤モデル(FM)と同等に動作します。
  論文  参考訳（メタデータ） (2024-09-13T20:12:29Z)
• Deep Learning Segmentation and Classification of Red Blood Cells Using a Large Multi-Scanner Dataset [0.18641315013048293]
  RBC画像分割と分類のための2段階のディープラーニングフレームワークを提案する。 データセットは8つの異なるクラスを含む100K以上のRBCの非常に多様なデータセットである。 98.03%のIoUと96.5%の平均分類精度がテストセットで達成された。
  論文  参考訳（メタデータ） (2024-03-27T11:28:32Z)
• Comparative analysis of deep learning approaches for AgNOR-stained cytology samples interpretation [52.77024349608834]
  本稿では, 深層学習手法を用いて, 好気性ヌクレオラオーガナイザ領域 (AgNOR) 染色スライダを解析する方法を提案する。 以上の結果から,バックボーンとしてResNet-18やResNet-34を用いたU-Netを用いたセマンティックセマンティックセマンティックセマンティクスは類似した結果を示す。 最も優れたモデルは、それぞれ0.83、0.92、0.99の核、クラスター、衛星のIoUを示す。
  論文  参考訳（メタデータ） (2022-10-19T15:15:32Z)
• Semantic Segmentation of Anaemic RBCs Using Multilevel Deep Convolutional Encoder-Decoder Network [2.5398817423053037]
  赤血球のセグメンテーションのための畳み込みニューラルネットワーク(CNN)モデルを提案する。 提案モデルでは,1つの層から抽出した画素レベルの意味情報を保存し,次の層に渡して関連する特徴を選択する。 この現象は、形態学的解析とともに、健康および貧血-RBC元素のピクセルレベルを正確にカウントするのに役立つ。
  論文  参考訳（メタデータ） (2022-02-09T17:31:50Z)
• Red Blood Cell Segmentation with Overlapping Cell Separation and Classification on Imbalanced Dataset [1.7219362335740878]
  重なり合う細胞は、分類する前に複数の単一のRBCに分離しなければならない誤った予測結果を引き起こすことがある。 深層学習で複数のクラスを分類するためには、正常なサンプルが稀な疾患のサンプルよりも常に高いため、医療画像では不均衡の問題が一般的である。 本稿では,血液スミア画像から赤血球を分離・分類する新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-12-02T16:49:51Z)

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。