論文の概要: WBCAtt+: Fine-Grained Pixel-Level Morphological Annotations for White Blood Cell Images

• arxiv url: http://arxiv.org/abs/2605.19692v1
• Date: Tue, 19 May 2026 11:25:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-20 15:03:09.299982
• Title: WBCAtt+: Fine-Grained Pixel-Level Morphological Annotations for White Blood Cell Images
• Title（参考訳）: WBCAtt+:白細胞画像の細粒度眼底形態変化
• Authors: Satoshi Tsutsui, Winnie Pang, Shuting He, Bihan Wen,
• Abstract要約: WBCAtt+は、11のモルフォロジー特性と5つのピクセルレベルの細胞成分を高密度に付加したWBC画像の新しいデータセットである。 113kのイメージレベルラベルと10kのセグメンテーションマップを持つWBCAtt+は、WBCイメージに対する包括的なアノテーションを初めて提供する。
• 参考スコア（独自算出の注目度）: 59.418050353415005
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The microscopic examination of white blood cells (WBCs) plays a fundamental role in pathology and is essential for diagnosing blood disorders such as leukemia and anemia. To support further research on WBC images, multiple datasets have been proposed. However, they mainly annotate cell categories, and lack detailed morphological characteristics that pathologists use to explain their interpretations of cells. To address this gap, we introduce WBCAtt+, a novel dataset of WBC images densely annotated with 11 morphological attributes and five pixel-level cell components. With 113k image-level labels and 10k segmentation maps, WBCAtt+ is the first to provide comprehensive annotations for WBC images. Leveraging this dataset, we provide baseline models for attribute recognition and semantic segmentation. We also design an attribute recognition model to incorporate compositional structure of cells, further improving the recognition performance. Lastly, we showcase various applications enabled by our dataset, such as explainable AI models, including counterfactual example generation. \revision{The dataset and code are publicly available\footnote{https://doi.org/10.57967/hf/8143}}.
• Abstract（参考訳）: 白血球(WBC)の顕微鏡検査は病理学において基本的な役割を担い、白血病や貧血などの血液疾患の診断に不可欠である。 WBC画像のさらなる研究を支援するために、複数のデータセットが提案されている。 しかし、それらは主に細胞分類を注釈し、病理学者が細胞の解釈を説明するために使用する詳細な形態学的特徴を欠いている。 このギャップに対処するために,11のモルフォロジー特性と5つのピクセルレベルのセル成分を高密度にアノテートしたWBC画像のデータセットであるWBCAtt+を導入する。 113kのイメージレベルラベルと10kのセグメンテーションマップを持つWBCAtt+は、WBCイメージに包括的なアノテーションを提供する最初の方法である。 このデータセットを活用することで、属性認識とセマンティックセグメンテーションのためのベースラインモデルを提供する。 また、セルの構成構造を組み込む属性認識モデルの設計を行い、認識性能をさらに向上する。 最後に、AIモデルの説明可能な例生成など、データセットで実現可能なさまざまなアプリケーションを紹介します。 データセットとコードは公開されている。footnote{https://doi.org/10.57967/hf/8143}}。

関連論文リスト

• 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)
• DiffKillR: Killing and Recreating Diffeomorphisms for Cell Annotation in Dense Microscopy Images [105.46086313858062]
  DiffKillRは、アーチェタイプマッチングと画像登録タスクの組み合わせとして、セルアノテーションを再構成する新しいフレームワークである。 DiffKillRは、大規模な顕微鏡画像間でアノテーションを効率よく伝播し、広範囲な手動ラベリングの必要性を減らす。 我々はDiffKillRの理論的性質について論じ、それを3つの顕微鏡タスクで検証し、既存の教師付き・半教師なし・教師なしの手法に対する利点を実証する。
  論文  参考訳（メタデータ） (2024-10-04T00:38:29Z)
• 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)
• UniCell: Universal Cell Nucleus Classification via Prompt Learning [76.11864242047074]
  ユニバーサル細胞核分類フレームワーク(UniCell)を提案する。 異なるデータセットドメインから対応する病理画像のカテゴリを均一に予測するために、新しいプロンプト学習機構を採用している。 特に,本フレームワークでは,原子核検出と分類のためのエンドツーエンドアーキテクチャを採用し,フレキシブルな予測ヘッドを用いて様々なデータセットを適応する。
  論文  参考訳（メタデータ） (2024-02-20T11:50:27Z)
• WBCAtt: A White Blood Cell Dataset Annotated with Detailed Morphological Attributes [22.423647778787334]
  本稿では,WBC(White Blood Cells)画像に対する包括的なアノテーションを提案する。 細胞とその成分に関連する11の形態学的特性を同定した。 我々はこれらの属性を画像から予測する実験を行い、基本的なWBC分類を超えた洞察を提供する。
  論文  参考訳（メタデータ） (2023-06-23T14:52:37Z)
• Pixel-Level Explanation of Multiple Instance Learning Models in Biomedical Single Cell Images [52.527733226555206]
  複数のインスタンス学習モデルを説明するための4つの属性法について検討する。 急性骨髄性白血病の2つのデータセットと100万以上の単細胞画像について検討した。 我々は、属性マップと医療専門家の注釈を比較し、モデルの意思決定が人間の基準とどのように異なるかを確認する。
  論文  参考訳（メタデータ） (2023-03-15T14:00:11Z)
• Semantic Segmentation of Anaemic RBCs Using Multilevel Deep Convolutional Encoder-Decoder Network [2.5398817423053037]
  赤血球のセグメンテーションのための畳み込みニューラルネットワーク(CNN)モデルを提案する。 提案モデルでは,1つの層から抽出した画素レベルの意味情報を保存し,次の層に渡して関連する特徴を選択する。 この現象は、形態学的解析とともに、健康および貧血-RBC元素のピクセルレベルを正確にカウントするのに役立つ。
  論文  参考訳（メタデータ） (2022-02-09T17:31:50Z)

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。