Fugu-MT 論文翻訳(概要): Ensemble of Small Classifiers For Imbalanced White Blood Cell Classification

論文の概要: Ensemble of Small Classifiers For Imbalanced White Blood Cell Classification

arxiv url: http://arxiv.org/abs/2603.20856v1
Date: Sat, 21 Mar 2026 15:24:52 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-24 19:11:39.122036
Title: Ensemble of Small Classifiers For Imbalanced White Blood Cell Classification
Title（参考訳）: 不均衡白血球分類のための小分類器の組立
Abstract要約: 本研究では,ハエマトポエシスにおける細胞分類のための軽量アンサンブルアプローチを提案する。この課題に対して,SwinV2-Tiny,DinoBloom-Small,ConvNeXT-V2-Tinyモデルの簡単なアンサンブルが優れた性能を発揮することを示す。
参考スコア（独自算出の注目度）: 9.420673339712211
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: Automating white blood cell classification for diagnosis of leukaemia is a promising alternative to time-consuming and resource-intensive examination of cells by expert pathologists. However, designing robust algorithms for classification of rare cell types remains challenging due to variations in staining, scanning and inter-patient heterogeneity. We propose a lightweight ensemble approach for classification of cells during Haematopoiesis, with a focus on the biology of Granulopoiesis, Monocytopoiesis and Lymphopoiesis. Through dataset expansion to alleviate some class imbalance, we demonstrate that a simple ensemble of lightweight pretrained SwinV2-Tiny, DinoBloom-Small and ConvNeXT-V2-Tiny models achieves excellent performance on this challenging dataset. We train 3 instantiations of each architecture in a stratified 3-fold cross-validation framework; for an input image, we forward-pass through all 9 models and aggregate through logit averaging. We further reason on the weaknesses of our model in confusing similar-looking myelocytes in granulopoiesis and lymphocytes in lymphopoiesis. Code: https://gitlab.com/siddharthsrivastava/wbc-bench-2026.
Abstract（参考訳）: 白血病診断のための白血球分類の自動化は、専門の病理医による時間的・資源集約的な細胞検査の代替として有望である。しかし, 染色, 走査, 患者間不均一性の相違により, 稀な細胞型分類のための堅牢なアルゴリズムの設計は依然として困難である。本研究では,ハエマトポエシスにおける細胞分類のための軽量なアンサンブルアプローチを提案し,グラニュロポエシス,モノサイトポエシス,リンポエシスの生物学に焦点をあてた。クラス不均衡を軽減するためのデータセット拡張を通じて、軽量な事前訓練されたSwinV2-Tiny、DinoBloom-Small、ConvNeXT-V2-Tinyモデルの単純なアンサンブルが、この挑戦的なデータセット上で優れたパフォーマンスを達成することを実証する。我々は、階層化された3倍のクロスバリデーションフレームワークで、各アーキテクチャの3つのインスタンスをトレーニングし、入力画像に対して、9つのモデル全てを前方通過し、ロジット平均化を通じて集約する。また, 顆粒球系およびリンパ球系では, 類似の骨髄細胞が混同される傾向がみられた。コード:https://gitlab.com/siddharthsrivastava/wbc-bench-2026。

関連論文リスト

Retrieval-Augmented Vision Foundation Models for Robust Leukemia Cell Classification across Multiple Microscopy Datasets [0.6999740786886535]
白血病細胞画像分類は、取得、染色、照明、サイトプロトコルから実際の領域へのシフトによって挑戦される。この研究は、事前訓練された視覚基盤モデルを持つ2段階パイプラインを用いて、複数の異種データセットにわたる白血病分類のための堅牢なフレームワークを示す。
論文参考訳（メタデータ） (2026-08-11T08:39:16Z)
Lingshu-Cell: A generative cellular world model for transcriptome modeling toward virtual cells [48.885716676667776]
Lingshu-Cellは、転写状態の分布を学習し、摂動下で条件シミュレーションをサポートする離散拡散モデルである。約18,000の遺伝子にまたがる複雑なトランスクリプトーム全体の発現依存性を、以前の遺伝子選択に頼らずに捕捉する。これは、Virtual Cell Challenge H1遺伝子摂動ベンチマークにおいて、ヒトPBMCのサイトカイン誘発反応の予測において、主要な性能を発揮する。
論文参考訳（メタデータ） (2026-03-26T09:46:27Z)
Synergizing Deep Learning and Biological Heuristics for Extreme Long-Tail White Blood Cell Classification [1.0705399532413615]
WBC分類のための3段階ハイブリッドフレームワークを提案する。まず、自己監督型Pix2Pix修復モジュールが合成ノイズを緩和し、高周波の細胞質の詳細を復元する。次に、Swin TransformerアンサンブルとMedSigLIPのコントラスト埋め込みを統合し、レアクラスのセマンティック表現を強化する。第3に,幾何的スパイキネス分析とマハラノビスに基づく形態的制約を併用した生物学的にインスパイアされた改良戦略を導入し,抑圧された少数派の予測を明示的に救済する。
論文参考訳（メタデータ） (2026-03-17T08:32:31Z)
CellVerse: Do Large Language Models Really Understand Cell Biology? [74.34984441715517]
我々は,4種類のシングルセルマルチオミクスデータを統合する統一言語中心の質問応答ベンチマークであるCellVerseを紹介する。我々は,CellVerse上で160Mから671Bまでの14のオープンソースおよびクローズドソースLLMの性能を体系的に評価した。
論文参考訳（メタデータ） (2025-05-09T06:47:23Z)
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)
Multimodal Analysis of White Blood Cell Differentiation in Acute Myeloid Leukemia Patients using a β-Variational Autoencoder [38.13262557169157]
形態学的および転写学的データを探索・再構成する教師なし手法を提案する。本手法は,カスタマイズされた損失関数を持つβ変分オートエンコーダ(ss-VAE)に基づく。バイオメディシンと診断のための白血球成熟の理解を改善するためのユニークなツールを提供する。
論文参考訳（メタデータ） (2024-08-13T08:24:52Z)
MMIL: A novel algorithm for disease associated cell type discovery [58.044870442206914]
単一細胞データセットは、しばしば個々の細胞ラベルを欠いているため、病気に関連する細胞を特定することは困難である。セルレベルの分類器の訓練と校正を可能にする予測手法であるMixture Modeling for Multiple Learning Instance (MMIL)を導入する。
論文参考訳（メタデータ） (2024-06-12T15:22:56Z)
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)
Single-Cell Deep Clustering Method Assisted by Exogenous Gene Information: A Novel Approach to Identifying Cell Types [50.55583697209676]
我々は,細胞間のトポロジ的特徴を効率的に捉えるために,注目度の高いグラフオートエンコーダを開発した。クラスタリング過程において,両情報の集合を統合し,細胞と遺伝子の特徴を再構成し,識別的表現を生成する。本研究は、細胞の特徴と分布に関する知見を高め、疾患の早期診断と治療の基礎となる。
論文参考訳（メタデータ） (2023-11-28T09:14:55Z)
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)
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)

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。