論文の概要: SG-CLDFF: A Novel Framework for Automated White Blood Cell Classification and Segmentation

• arxiv url: http://arxiv.org/abs/2510.17278v1
• Date: Mon, 20 Oct 2025 08:07:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:39.364512
• Title: SG-CLDFF: A Novel Framework for Automated White Blood Cell Classification and Segmentation
• Title（参考訳）: SG-CLDFF: 白血球の分類とセグメンテーションの自動化のための新しいフレームワーク
• Authors: Mehdi Zekriyapanah Gashti, Mostafa Mohammadpour, Ghasem Farjamnia,
• Abstract要約: SG-CLDFF(Saliency-Guided Cross-Layer Deep Feature Fusion framework) 軽量なハイブリッドバックボーン(Swin-style)は、ResNeXt-CCinspired cross-layer fusion moduleによって融合されたマルチレゾリューション表現を生成する。 解釈性はGrad-CAMビジュアライゼーションと唾液濃度の整合性チェックを通じて実施され、モデル決定を地域レベルで検査することができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate segmentation and classification of white blood cells (WBCs) in microscopic images are essential for diagnosis and monitoring of many hematological disorders, yet remain challenging due to staining variability, complex backgrounds, and class imbalance. In this paper, we introduce a novel Saliency-Guided Cross-Layer Deep Feature Fusion framework (SG-CLDFF) that tightly integrates saliency-driven preprocessing with multi-scale deep feature aggregation to improve both robustness and interpretability for WBC analysis. SG-CLDFF first computes saliency priors to highlight candidate WBC regions and guide subsequent feature extraction. A lightweight hybrid backbone (EfficientSwin-style) produces multi-resolution representations, which are fused by a ResNeXt-CC-inspired cross-layer fusion module to preserve complementary information from shallow and deep layers. The network is trained in a multi-task setup with concurrent segmentation and cell-type classification heads, using class-aware weighted losses and saliency-alignment regularization to mitigate imbalance and suppress background activation. Interpretability is enforced through Grad-CAM visualizations and saliency consistency checks, allowing model decisions to be inspected at the regional level. We validate the framework on standard public benchmarks (BCCD, LISC, ALL-IDB), reporting consistent gains in IoU, F1, and classification accuracy compared to strong CNN and transformer baselines. An ablation study also demonstrates the individual contributions of saliency preprocessing and cross-layer fusion. SG-CLDFF offers a practical and explainable path toward more reliable automated WBC analysis in clinical workflows.
• Abstract（参考訳）: 顕微鏡画像における白血球の正確なセグメンテーションと分類は、多くの血液疾患の診断とモニタリングに不可欠であるが、染色の多様性、複雑な背景、クラス不均衡のために依然として困難である。 本稿では,Saliency-Guided Cross-Layer Deep Feature Fusion(SG-CLDFF)フレームワークを提案する。 SG-CLDFFはまず、候補WBC領域をハイライトし、その後の特徴抽出を導くために、サリエンシを計算する。 軽量なハイブリッドバックボーン(EfficientSwinスタイル)は、浅い層と深い層から補完情報を保存するためにResNeXt-CCにインスパイアされたクロス層融合モジュールによって融合された多重解像度表現を生成する。 ネットワークはマルチタスクで訓練され、クラス認識の重み付き損失とサリエンシ調整の正規化により、不均衡を緩和し、バックグラウンドアクティベーションを抑制する。 解釈性はGrad-CAMビジュアライゼーションと唾液濃度の整合性チェックを通じて実施され、モデル決定を地域レベルで検査することができる。 標準公開ベンチマーク (BCCD, LISC, ALL-IDB) のフレームワークを検証し, IoU, F1, および強力なCNNおよびトランスフォーマーベースラインと比較しての分類精度を報告する。 アブレーション研究は、サリエンシ前処理と層間融合の個々の貢献も示している。 SG-CLDFFは、臨床ワークフローにおけるより信頼性の高い自動化WBC分析への実践的で説明可能なパスを提供する。

関連論文リスト

• EndoCIL: A Class-Incremental Learning Framework for Endoscopic Image Classification [5.574295682041076]
  内視鏡画像解析のためのクラスインクリメンタルラーニング(CIL)は,臨床応用に不可欠である。 本稿では,内視鏡的画像診断に適した新しい統合型CILフレームワークであるEndoCILを提案する。
  論文  参考訳（メタデータ） (2025-10-20T06:26:54Z)
• Enhanced SegNet with Integrated Grad-CAM for Interpretable Retinal Layer Segmentation in OCT Images [0.0]
  そこで本研究では,SegNetによる網膜層分割の自動化と解釈のためのディープラーニングフレームワークを提案する。 改良されたプール戦略を含むアーキテクチャ上の革新は、ノイズの多いOCT画像からの特徴抽出を強化する。 Grad-CAMの可視化では、解剖学的に関連のある領域が強調され、セグメンテーションと臨床バイオマーカーが一致した。
  論文  参考訳（メタデータ） (2025-09-09T14:31:51Z)
• ActiveSSF: An Active-Learning-Guided Self-Supervised Framework for Long-Tailed Megakaryocyte Classification [3.6535793744942318]
  本研究では,能動学習と自己教師付き事前学習を統合したActiveSSFフレームワークを提案する。 臨床用巨核球データセットによる実験結果から,ActiveSSFは最先端の性能を発揮することが示された。
  論文  参考訳（メタデータ） (2025-02-12T08:24:36Z)
• DAFFNet: A Dual Attention Feature Fusion Network for Classification of White Blood Cells [2.0005570775461567]
  本稿では,WBC の形態的特徴と高レベルな意味的特徴を統合した新しいデュアルブランチネットワーク Dual Attention Feature Fusion Network (DAFFNet) を提案する。 提案するネットワークフレームワークは,6つの公開データセットに対して98.77%,91.30%,98.36%,99.71%,98.45%,98.85%の総合的精度を達成した。
  論文  参考訳（メタデータ） (2024-05-25T13:09:25Z)
• Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
  本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。 本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。 提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2022-12-01T07:32:56Z)
• Co-Heterogeneous and Adaptive Segmentation from Multi-Source and Multi-Phase CT Imaging Data: A Study on Pathological Liver and Lesion Segmentation [48.504790189796836]
  我々は,新しいセグメンテーション戦略,コヘテロジネティック・アダプティブセグメンテーション(CHASe)を提案する。 本稿では,外見に基づく半スーパービジョン,マスクに基づく対向ドメイン適応,擬似ラベルを融合した多目的フレームワークを提案する。 CHASeは4.2% sim 9.4%$の範囲で、病理的な肝臓マスクDice-Sorensen係数をさらに改善することができる。
  論文  参考訳（メタデータ） (2020-05-27T06:58:39Z)

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。