Fugu-MT 論文翻訳(概要): Robust White Blood Cell Classification with Stain-Normalized Decoupled Learning and Ensembling

論文の概要: Robust White Blood Cell Classification with Stain-Normalized Decoupled Learning and Ensembling

arxiv url: http://arxiv.org/abs/2603.01976v1
Date: Mon, 02 Mar 2026 15:31:25 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-03 19:50:56.93946
Title: Robust White Blood Cell Classification with Stain-Normalized Decoupled Learning and Ensembling
Title（参考訳）: Sten-Normalized Decoupled Learning and Ensembling を用いたロバストな白血球分類
Authors: Luu Le, Hoang-Loc Cao, Ha-Hieu Pham, Thanh-Huy Nguyen, Ulas Bagci,
Abstract要約: 白血球分類(WBC)は、感染症評価、白血病スクリーニング、治療モニタリングなどの血液学の応用に欠かせない。本稿では、インスタンスバランスサンプリングを用いて、転送可能な表現を学習するステンドノーマライズされた非結合型トレーニングフレームワークを提案する。推論段階では,様々なトレーニングされたバックボーンをテスト時間拡張でアンサンブルすることにより,ロバスト性をさらに向上する。
参考スコア（独自算出の注目度）: 6.750164263871006
License: http://creativecommons.org/licenses/by/4.0/
Abstract: White blood cell (WBC) classification is fundamental for hematology applications such as infection assessment, leukemia screening, and treatment monitoring. However, real-world WBC datasets present substantial appearance variations caused by staining and scanning conditions, as well as severe class imbalance in which common cell types dominate while rare but clinically important categories are underrepresented. To address these challenges, we propose a stain-normalized, decoupled training framework that first learns transferable representations using instance-balanced sampling, and then rebalances the classifier with class-aware sampling and a hybrid loss combining effective-number weighting and focal modulation. In inference stage, we further enhance robustness by ensembling various trained backbones with test-time augmentation. Our approach achieved the top rank on the leaderboard of the WBCBench 2026: Robust White Blood Cell Classification Challenge at ISBI 2026.
Abstract（参考訳）: 白血球分類(WBC)は、感染症評価、白血病スクリーニング、治療モニタリングなどの血液学の応用に欠かせない。しかし、実世界のWBCデータセットは、染色と走査条件に起因する顕著な外観変化を示し、また、稀ながら臨床的に重要なカテゴリが不足しながら、共通の細胞タイプが支配的な集団不均衡を示す。これらの課題に対処するために、まずインスタンス平衡サンプリングを用いて転送可能な表現を学習し、次に、実効数重み付けと焦点変調を組み合わせたハイブリッド損失とクラス認識サンプリングで分類器を再均衡させる、ステンノーマライズされた非結合型トレーニングフレームワークを提案する。推論段階では,様々なトレーニングされたバックボーンをテスト時間拡張でアンサンブルすることにより,ロバスト性をさらに向上する。 WBCBench 2026: Robust White Blood Cell Classification Challenge at ISBI 2026。

関連論文リスト

SG-CLDFF: A Novel Framework for Automated White Blood Cell Classification and Segmentation [0.0]
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。
論文参考訳（メタデータ） (2025-10-20T08:07:39Z)
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)
Uncertainty-guided Boundary Learning for Imbalanced Social Event Detection [64.4350027428928]
本研究では,不均衡なイベント検出タスクのための不確実性誘導型クラス不均衡学習フレームワークを提案する。我々のモデルは、ほとんど全てのクラス、特に不確実なクラスにおいて、社会イベントの表現と分類タスクを大幅に改善する。
論文参考訳（メタデータ） (2023-10-30T03:32:04Z)
Class-Imbalanced Graph Learning without Class Rebalancing [62.1368829847041]
クラス不均衡は実世界のノード分類タスクでよく見られ、グラフ学習モデルには大きな課題がある。本研究では、トポロジカルパラダイムからクラス不均衡バイアスの根本原因にアプローチする。我々は,クラス再バランスを伴わずにクラス不均衡バイアスを軽減するために,軽量なトポロジカル拡張フレームワークであるBATを考案した。
論文参考訳（メタデータ） (2023-08-27T19:01:29Z)
A Continual Learning Approach for Cross-Domain White Blood Cell Classification [36.482007703764154]
白血球分類におけるクラスインクリメンタルおよびドメインインクリメンタルシナリオに対するリハーサルに基づく連続学習手法を提案する。従来のタスクから代表サンプルを選択するために,モデルの予測に基づいてセット選択を用いる。色,解像度,クラス組成が異なる3つの白血球分類データセットについて,提案手法を徹底的に評価した。
論文参考訳（メタデータ） (2023-08-24T09:38:54Z)
Balanced Classification: A Unified Framework for Long-Tailed Object Detection [74.94216414011326]
従来の検出器は、分類バイアスによる長期データを扱う際の性能劣化に悩まされる。本稿では,カテゴリ分布の格差に起因する不平等の適応的是正を可能にする,BAlanced CLassification (BACL) と呼ばれる統一フレームワークを提案する。 BACLは、さまざまなバックボーンとアーキテクチャを持つさまざまなデータセット間で、一貫してパフォーマンス改善を実現している。
論文参考訳（メタデータ） (2023-08-04T09:11:07Z)
Imbalanced Domain Generalization for Robust Single Cell Classification in Hematological Cytomorphology [3.7007225479462402]
我々は、ドメイン間データの不均衡とドメインシフトに対処して、WBC分類のための堅牢なCNNを訓練する。提案手法は,既存手法と比較してF1マクロスコアが最適である。
論文参考訳（メタデータ） (2023-03-14T10:20:31Z)
Density-Aware Personalized Training for Risk Prediction in Imbalanced Medical Data [89.79617468457393]
不均衡率(クラス密度差)のトレーニングモデルは、最適以下の予測につながる可能性がある。この不均衡問題に対するモデルトレーニングのためのフレームワークを提案する。実世界の医療データセットにおけるモデルの性能向上を実証する。
論文参考訳（メタデータ） (2022-07-23T00:39:53Z)
Learning Discriminative Representation via Metric Learning for Imbalanced Medical Image Classification [52.94051907952536]
本稿では,特徴抽出器がより識別的な特徴表現を抽出するのを助けるために,2段階フレームワークの第1段階にメトリック学習を組み込むことを提案する。主に3つの医用画像データセットを用いて実験したところ、提案手法は既存の1段階と2段階のアプローチより一貫して優れていた。
論文参考訳（メタデータ） (2022-07-14T14:57:01Z)
PCCT: Progressive Class-Center Triplet Loss for Imbalanced Medical Image Classification [55.703445291264]
不均衡トレーニングデータは、医用画像分類において重要な課題である。クラス不均衡問題を軽減するために,PCCT(Progressive Class-Center Triplet)フレームワークを提案する。 PCCTフレームワークは、不均衡な訓練画像を用いた医用画像分類に効果的に機能する。
論文参考訳（メタデータ） (2022-07-11T11:43:51Z)
Dynamic Bank Learning for Semi-supervised Federated Image Diagnosis with Class Imbalance [65.61909544178603]
クラス不均衡半教師付きFL(imFed-Semi)の実用的かつ困難な問題について検討する。このImFed-Semi問題は、クラス比例情報を利用してクライアントトレーニングを改善する新しい動的銀行学習方式によって解決される。 25,000個のCTスライスによる頭蓋内出血診断と10,015個の皮膚内視鏡画像による皮膚病変診断の2つの公開実世界の医療データセットに対するアプローチを評価した。
論文参考訳（メタデータ） (2022-06-27T06:51:48Z)
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。