論文の概要: Enhanced Leukemic Cell Classification Using Attention-Based CNN and Data Augmentation

• arxiv url: http://arxiv.org/abs/2601.01026v1
• Date: Sat, 03 Jan 2026 01:24:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-06 16:25:21.950391
• Title: Enhanced Leukemic Cell Classification Using Attention-Based CNN and Data Augmentation
• Title（参考訳）: 注意に基づくCNNとデータ拡張を用いた白血病細胞分類の強化
• Authors: Douglas Costa Braga, Daniel Oliveira Dantas,
• Abstract要約: 急性リンパ性白血病(ALL)が最も多い小児がんであり、専門的な顕微鏡診断を必要とする。 提案システムは,EfficientNetV2-B3とSqueeze-and-Excitation機構を組み合わせたアテンションベース畳み込みニューラルネットワークを統合して,自動all細胞分類を行う。 提案手法では, 包括的データ拡張, クラス不均衡に対する焦点損失, 患者側データ分割を用いて, 堅牢かつ再現可能な評価を確実にする。
• 参考スコア（独自算出の注目度）: 0.5371337604556311
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a reproducible deep learning pipeline for leukemic cell classification, focusing on system architecture, experimental robustness, and software design choices for medical image analysis. Acute lymphoblastic leukemia (ALL) is the most common childhood cancer, requiring expert microscopic diagnosis that suffers from inter-observer variability and time constraints. The proposed system integrates an attention-based convolutional neural network combining EfficientNetV2-B3 with Squeeze-and-Excitation mechanisms for automated ALL cell classification. Our approach employs comprehensive data augmentation, focal loss for class imbalance, and patient-wise data splitting to ensure robust and reproducible evaluation. On the C-NMC 2019 dataset (12,528 original images from 62 patients), the system achieves a 97.89% F1-score and 97.89% accuracy on the test set, with statistical validation through 100-iteration Monte Carlo experiments confirming significant improvements (p < 0.001) over baseline methods. The proposed pipeline outperforms existing approaches by up to 4.67% while using 89% fewer parameters than VGG16 (15.2M vs. 138M). The attention mechanism provides interpretable visualizations of diagnostically relevant cellular features, demonstrating that modern attention-based architectures can improve leukemic cell classification while maintaining computational efficiency suitable for clinical deployment.
• Abstract（参考訳）: 白血病細胞分類のための再現可能な深層学習パイプラインを提案し, 医療画像解析のためのシステムアーキテクチャ, 実験ロバスト性, ソフトウェア設計選択に焦点をあてる。 急性リンパ性白血病(ALL)は小児がんで最も一般的ながんであり、サーバー間の変動と時間的制約に悩まされる専門的な顕微鏡診断を必要とする。 提案システムは,EfficientNetV2-B3とSqueeze-and-Excitation機構を組み合わせたアテンションベース畳み込みニューラルネットワークを統合して,自動all細胞分類を行う。 提案手法では, 包括的データ拡張, クラス不均衡に対する焦点損失, 患者側データ分割を用いて, 堅牢かつ再現可能な評価を確実にする。 C-NMC 2019データセット(62人のオリジナル画像12,528枚)では、テストセット上で97.89%のF1スコアと97.89%の精度を達成した。 提案されたパイプラインは既存のアプローチを最大4.67%上回り、VGG16よりも89%少ないパラメータ(15.2M vs. 138M)を使用する。 注意機構は、診断に関連のある細胞の特徴の解釈可能な可視化を提供し、現代の注意に基づくアーキテクチャは、臨床展開に適した計算効率を維持しながら、白血病細胞の分類を改善することができることを示した。

関連論文リスト

• CytoDINO: Risk-Aware and Biologically-Informed Adaptation of DINOv3 for Bone Marrow Cytomorphology [0.0]
  我々はミュンヘン白血病研究所のデータセット上で最先端のパフォーマンスを実現するフレームワークであるCytoDINOを紹介した。 私たちの主な貢献は、細胞間の生物学的な関係をコード化し、臨床的に危険な誤分類を明示的に罰する、ヒエララルカル・フーカル・ロス・ウィット・クリティカル・ペナルティ(Hierarchical Focal Loss with critical penalties)である。 CytoDINOは21種類のテストセットで88.2%の重み付きF1スコアと76.5%のマクロF1を達成している。
  論文  参考訳（メタデータ） (2025-12-09T23:09:22Z)
• Deep Learning with Self-Attention and Enhanced Preprocessing for Precise Diagnosis of Acute Lymphoblastic Leukemia from Bone Marrow Smears in Hemato-Oncology [0.0]
  急性リンパ性白血病(ALL)は、小児と成人の双方で血液学的悪性腫瘍として広くみられる。 骨髄スミア画像からのall自動診断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。
  論文  参考訳（メタデータ） (2025-08-24T05:30:02Z)
• Skin Cancer Classification: Hybrid CNN-Transformer Models with KAN-Based Fusion [0.0]
  Convolutional Kolmogorov-Arnold Network (CKAN) を用いた逐次および並列ハイブリッドCNN-Transformerモデルについて検討する。 そこでCNNは局所的な空間的特徴を抽出し、トランスフォーマーはグローバルな依存関係をモデル化し、CKANは表現学習を改善するために非線形な特徴融合を促進する。 HAM10000データセットで92.81%の精度と92.47%のF1スコア、PAD-UFESデータセットで97.83%のF1スコア、91.79%のF1スコア、91.17%のF1スコアを示す。
  論文  参考訳（メタデータ） (2025-08-17T19:57:34Z)
• Neural Cellular Automata for Weakly Supervised Segmentation of White Blood Cells [37.639376961641666]
  ニューラルセルオートマトン(NCA)を用いた弱教師付きセグメンテーションのための新しいアプローチを提案する。 本手法を3つの白血球顕微鏡データセット上で評価し,NAA-WSSが既存の弱教師付きアプローチよりも有意に優れていることを示す。
  論文  参考訳（メタデータ） (2025-08-17T10:40:16Z)
• Automatic Cough Analysis for Non-Small Cell Lung Cancer Detection [33.37223681850477]
  非小細胞肺癌(NSCLC)の早期発見は患者の予後改善に重要である。 本研究では,NSCLC患者と健常者との鑑別のためのスクリーニングツールとして,自動コークス分析の利用について検討する。 記録は、サポートベクタマシン(SVM)やXGBoostといった機械学習技術を用いて分析された。
  論文  参考訳（メタデータ） (2025-07-25T11:30:22Z)
• HANS-Net: Hyperbolic Convolution and Adaptive Temporal Attention for Accurate and Generalizable Liver and Tumor Segmentation in CT Imaging [2.7205074719266062]
  腹部CT像における肝・腫瘍の正確なセグメンテーションは確実な診断と治療計画に重要である。 ニューラル表現とシナプティック・プラスティック・ネットワーク(HANS-Net)を用いたハイパーボリック・コンボリューションの導入 HANS-Netは、階層的幾何表現のための双曲的畳み込み、マルチスケールテクスチャ学習のためのウェーブレットインスパイアされた分解モジュール、暗黙の神経表現分岐を組み合わせた。
  論文  参考訳（メタデータ） (2025-07-15T13:56:37Z)
• CNN-LSTM Hybrid Model for AI-Driven Prediction of COVID-19 Severity from Spike Sequences and Clinical Data [0.0]
  スパイクタンパク質配列と臨床データを用いたCNN-LSTMハイブリッドモデルを構築した。 このモデルはF1スコア82.92%、ROC-AUC 0.9084、精度83.56%、リコール82.85%を達成した。
  論文  参考訳（メタデータ） (2025-05-29T16:20:54Z)
• Anomaly Detection in Electrocardiograms: Advancing Clinical Diagnosis Through Self-Supervised Learning [32.37717219026923]
  既存のシステムは、心臓のマクロ/ミクロ構造における深刻な生命を脅かす問題や変化の前兆となる稀な心臓異常を見逃すことがしばしばある。 本研究は自己監督型異常検出(AD)に焦点をあて,異常を示す偏差を認識するために,正常心電図のみを訓練する。 本稿では,心電図の異常を自律的に検出し,局所化するために,正常心電図の膨大なデータセットを利用する,心電図ADのための新しい自己教師型学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-04-07T12:15:53Z)
• CIMIL-CRC: a clinically-informed multiple instance learning framework for patient-level colorectal cancer molecular subtypes classification from H\&E stained images [42.771819949806655]
  CIMIL-CRCは、事前学習した特徴抽出モデルと主成分分析(PCA)を効率よく組み合わせ、全てのパッチから情報を集約することで、MSI/MSS MIL問題を解決するフレームワークである。 我々は,TCGA-CRC-DXコホートを用いたモデル開発のための5倍のクロスバリデーション実験装置を用いて,曲線下平均面積(AUC)を用いてCIMIL-CRC法の評価を行った。
  論文  参考訳（メタデータ） (2024-01-29T12:56:11Z)
• Improving COVID-19 CT Classification of CNNs by Learning Parameter-Efficient Representation [31.51725965329019]
  深層学習法は, コンピュータ断層撮影による新型コロナウイルスの自動診断を支援するために提案されている。 DenseNet121は、正常、非COVID-19肺炎、COVID-19肺炎を含む3つのカテゴリーの分類で、平均99.44%の検査精度を達成している。
  論文  参考訳（メタデータ） (2022-08-09T12:24:53Z)

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。