論文の概要: Synergizing Deep Learning and Biological Heuristics for Extreme Long-Tail White Blood Cell Classification

• arxiv url: http://arxiv.org/abs/2603.16249v1
• Date: Tue, 17 Mar 2026 08:32:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-18 17:42:07.174231
• Title: Synergizing Deep Learning and Biological Heuristics for Extreme Long-Tail White Blood Cell Classification
• Title（参考訳）: 極長鎖白血球分類のための総合的深層学習と生物学的ヒューリスティックス
• Authors: Trong-Duc Nguyen, Hoang-Long Nguyen, Huy-Hieu Pham,
• Abstract要約: 本稿では,人工物除去のためのPix2Pixベースの復元モジュールと,ロバスト表現学習のためのMedSigLIPコントラスト埋め込みを用いたSwin Transformerアンサンブルと,幾何学的スパイキネスとマハラノビスに基づく形態的制約を用いた生物学的にインスパイアされた改良ステップを組み合わせた,レアクラスの一般化のためのハイブリッドフレームワークを提案する。 本手法は, 生体画像解析の深層学習に生物前駆体を組み込むことの価値を強調し, 極めて不均衡な環境下での強い性能を示す。
• 参考スコア（独自算出の注目度）: 1.121518046252855
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automated white blood cell (WBC) classification is essential for leukemia screening but remains challenged by extreme class imbalance, long-tail distributions, and domain shift, leading deep models to overfit dominant classes and fail on rare subtypes. We propose a hybrid framework for rare-class generalization that integrates a generative Pix2Pix-based restoration module for artifact removal, a Swin Transformer ensemble with MedSigLIP contrastive embeddings for robust representation learning, and a biologically-inspired refinement step using geometric spikiness and Mahalanobis-based morphological constraints to recover out-of-distribution predictions. Evaluated on the WBCBench 2026 challenge, our method achieves a Macro-F1 of 0.77139 on the private leaderboard, demonstrating strong performance under severe imbalance and highlighting the value of incorporating biological priors into deep learning for hematological image analysis.
• Abstract（参考訳）: 白血球自動分類(WBC)は、白血病スクリーニングに必須であるが、極度のクラス不均衡、長い尾の分布、ドメインシフトによって課題が残っており、より深いモデルが支配的なクラスに過度に適合し、稀なサブタイプに失敗する。 本稿では,生産物除去のためのPix2Pixベースの復元モジュールと,ロバスト表現学習のためのMedSigLIPコントラスト埋め込みを備えたSwin Transformerアンサンブルと,幾何学的スパイキネスとマハラノビスに基づく形態的制約を用いた生物学的にインスパイアされた改良ステップを統合して,分布予測を復元する,レアクラス一般化のためのハイブリッドフレームワークを提案する。 WBCBench 2026の課題に基づいて,本手法は生体画像解析の深層学習に生物前駆体を組み込むことの価値を強調し,極めて不均衡な状況下での強靭な性能を示す,0.77139のマクロF1を達成する。

関連論文リスト

• Robust White Blood Cell Classification with Stain-Normalized Decoupled Learning and Ensembling [6.750164263871006]
  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。
  論文  参考訳（メタデータ） (2026-03-02T15:31:25Z)
• XtraLight-MedMamba for Classification of Neoplastic Tubular Adenomas [1.9322492427205764]
  XtraLight-MedMambaは、管状腺腫を分類するための超軽量な状態空間ベースのディープラーニングフレームワークである。 低品位尿細管腺腫患者から得られたキュレートデータセットを用いて評価した。 XtraLight-MedMambaの精度は97.18%、F1スコアは0.9767で約32,000のパラメータを使用した。
  論文  参考訳（メタデータ） (2026-02-04T18:07:51Z)
• Investigating the Impact of Histopathological Foundation Models on Regressive Prediction of Homologous Recombination Deficiency [52.50039435394964]
  回帰に基づくタスクの基礎モデルを体系的に評価する。 我々は5つの最先端基礎モデルを用いて、スライド画像全体(WSI)からパッチレベルの特徴を抽出する。 乳房、子宮内膜、肺がんコホートにまたがるこれらの抽出された特徴に基づいて、連続したRDDスコアを予測するモデルが訓練されている。
  論文  参考訳（メタデータ） (2026-01-29T14:06:50Z)
• Robust Atypical Mitosis Classification with DenseNet121: Stain-Aware Augmentation and Hybrid Loss for Domain Generalization [16.048949963804123]
  筆者らはMIDOG 2025 (Track 2) 設定における非定型有糸分裂分類に適した DenseNet-121 ベースのフレームワークを提案する。 本手法は, クラス重み付き二元交叉エントロピーと焦点損失を併用したハイブリッド目的を用いて, ステンドアウェア拡張(マッケンコ), 幾何および強度変換, および重み付きサンプリングによる不均衡認識学習を統合する。 AdamWでエンドツーエンドにトレーニングされ、複数の独立したドメインで評価され、スキャナと染色シフトの下で強力な一般化が示され、バランスの取れた精度85.0%、AUROC 0.927、感度89.2%、そして公式テストセットの80.9%が達成された。
  論文  参考訳（メタデータ） (2025-10-26T11:24:55Z)
• Neural Cellular Automata for Lightweight, Robust and Explainable Classification of White Blood Cell Images [40.347953893940044]
  ニューラルセルオートマトン(NCA)を用いた白血球分類の新しいアプローチを提案する。 NCAに基づく手法はパラメータの面で著しく小さく,ドメインシフトに対する堅牢性を示す。 その結果,NAAは画像分類に利用でき,従来の手法の課題に対処できることがわかった。
  論文  参考訳（メタデータ） (2024-04-08T14:59:53Z)
• DinoBloom: A Foundation Model for Generalizable Cell Embeddings in Hematology [1.3551232282678036]
  血液学における単細胞画像の最初の基盤モデルであるDinoBloomを紹介した。 本モデルは末梢血と骨髄のスミアの13種類の多種多様な公開データセットの広範囲な収集に基づいて構築されている。 4つのDinoBloomモデルのファミリーは、幅広い下流アプリケーションに適応することができる。
  論文  参考訳（メタデータ） (2024-04-07T17:25:52Z)
• Improving Biomedical Entity Linking with Retrieval-enhanced Learning [53.24726622142558]
  $k$NN-BioELは、トレーニングコーパス全体から同様のインスタンスを予測のヒントとして参照する機能を備えたBioELモデルを提供する。 k$NN-BioELは、いくつかのデータセットで最先端のベースラインを上回ります。
  論文  参考訳（メタデータ） (2023-12-15T14:04:23Z)
• Medulloblastoma Tumor Classification using Deep Transfer Learning with Multi-Scale EfficientNets [63.62764375279861]
  本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。 161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
  論文  参考訳（メタデータ） (2021-09-10T13:07:11Z)

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。