論文の概要: MalariAI: A Label-Resilient Decoupled Framework for Universal Cell Segmentation and Explainable Stage Classification in Dense Malaria Blood Smears
- arxiv url: http://arxiv.org/abs/2607.00385v1
- Date: Wed, 01 Jul 2026 03:27:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-02 19:56:07.705114
- Title: MalariAI: A Label-Resilient Decoupled Framework for Universal Cell Segmentation and Explainable Stage Classification in Dense Malaria Blood Smears
- Title（参考訳）: マラリア血液検査におけるユニバーサル細胞分画と説明可能なステージ分類のためのラベルレジリエント脱カップリングフレームワーク
- Abstract要約: 血液スミア顕微鏡によるマラリアの診断は、グローバルヘルスAIにとって重要な課題である。
3つの複合的障害モードは、既存のディープラーニングシステムの信頼性の高い臨床展開を防ぐ。
統一パイプラインにおける3つの障害モードすべてに対処する、2段階の分離フレームワークであるMarariAIを紹介します。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Automated malaria diagnosis from blood smear microscopy is a critical challenge in global health AI; in resource-limited settings, the scarcity of expert microscopists remains the primary bottleneck to timely and accurate diagnosis. Three compounding failure modes prevent reliable clinical deployment of existing deep learning systems. First, end-to-end detectors treat unannotated cells as background during training, producing recall figures that are strongly influenced by annotation completeness rather than reflecting true cell recovery. Second, Non-Maximum Suppression tends to suppress valid detections in dense smear regions where infection counts matter most. Third, existing whole-slide detection pipelines lack per-cell spatial evidence for clinical audit, despite image-level explainability methods such as Grad-CAM having been applied to malaria image classification tasks. We present MalariAI, a two-stage decoupled framework that addresses all three failure modes in a unified pipeline. Stage 1 applies an annotation-agnostic distance-transform guided watershed algorithm to isolate every cell in a full 1600x1200 blood smear image, recovering 75.95% of ground-truth cells by centroid localisation across the 120-image NIH BBBC041 test set without any ground-truth input. Stage 2 fine-tunes EfficientNet-B0 with Focal Loss (gamma = 2.0, per-class inverse-frequency weights) on 64x64 crops, achieving 98.36% overall classification accuracy with 87.5% and 75.0% per-class accuracy on the rare schizont and gametocyte stages, compared to only 24.57% and 25.95% AP for a Faster R-CNN baseline on the same classes. Grad-CAM++ heatmaps generated per detected cell provide instance-level spatial evidence for clinical audit, enabling microscopists to verify model predictions at the individual parasite level without sacrificing classification performance.
- Abstract（参考訳）: 血液スミア顕微鏡によるマラリアの自動診断は、世界保健AIにおいて重要な課題である。資源制限された設定では、専門家の顕微鏡医の不足が、タイムリーかつ正確な診断の主要なボトルネックとなっている。
3つの複合的障害モードは、既存のディープラーニングシステムの信頼性の高い臨床展開を防ぐ。
第一に、エンド・ツー・エンド検出器は、トレーニング中に無注釈の細胞を背景として扱い、真の細胞回復を反映するのではなく、アノテーションの完全性に強く影響された記憶図を生成する。
第二に、感染が最も多い密集したスミア地域では、非最大抑制が有効な検出を抑える傾向にある。
第3に、Grad-CAMのような画像レベルの説明可能性の手法がマラリア画像分類タスクに適用されているにもかかわらず、既存の全スライディング検出パイプラインは臨床検査の細胞ごとの空間的証拠を欠いている。
統一パイプラインにおける3つの障害モードすべてに対処する、2段階の分離フレームワークであるMarariAIを紹介します。
ステージ1は、全1600×1200の血液スミア画像中の全ての細胞を分離するために、アノテーションに依存しない距離変換型流域アルゴリズムを適用し、120cmのNIH BBBC041テストセットの中央集束によって75.95%の接地トルース細胞を回収した。
64x64の作物では、Focal Loss (γ = 2.0, per-class inverse- frequency weights) が有効であり、98.36%の総合的な分類精度を87.5%と75.0%と達成し、同じクラスの高速R-CNNベースラインでは24.57%と25.95%に留まった。
検出された細胞毎に生成されたGrad-CAM++ヒートマップは、臨床検査のためのインスタンスレベルの空間的証拠を提供し、マイクロスコピストは分類性能を犠牲にすることなく、個々の寄生虫レベルでモデル予測を検証することができる。
関連論文リスト
- EMFE: A lightweight, explainable machine learning framework for malaria cell classification [0.7437884690206271]
染色血液スミア顕微鏡によるマラリアの診断は、深層畳み込み神経ネットワークに支配されている。
単発赤血細胞像を寄生・無感染と分類するための5機能フレームワークEMFEを提案する。
論文 参考訳（メタデータ） (2026-08-25T16:38:04Z) - 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) - On-Device Multi-Species Malaria Detection with Uncertainty-Calibrated Slide-Level Aggregation [0.1749935196721634]
マラリアは、専門家のマイクロスコピストが不足している資源制限設定において、依然として主要な死因である。
本研究は,医療センターが指定する重要な要件に対処するマラリア診断パイプラインを開発した。
本稿では,これらの臨床的制約を強調し,対処方法を提案する。
論文 参考訳（メタデータ） (2026-08-09T08:09:25Z) - Screening of Biosecurity Features in Metagenomic Data with Evo 2 Probes [35.18016233072556]
Evo 2のようなゲノム基盤モデルは、リッチなシーケンス表現を学習するが、バイオセキュリティスクリーニングの価値はほとんど探索されていない。
凍結したEvo2層26の活性化に対して、最小限の線形および注意プローブを訓練することにより、これらの表現の中でどの程度のバイオセキュリティ関連信号が線形にアクセスできるかを問う。
保持されたメダゲノミクステストセット全体で、プローブは強い差別で抗菌抵抗を検出する。
論文 参考訳（メタデータ） (2026-07-15T17:38:02Z) - Cascade Classification of Dermoscopic Images of Skin Neoplasms with Controllable Sensitivity and External Clinical Validation [36.94429692322632]
二段式(悪性/良性)、一段式(良性、MEL、SCC、BCC)、二段式(二段式トリアージ、三段式MEL/SCC/BCC)の3種類を比較した。
すべてのモデルはImageNet-pretrained weightsを使用し、オープンなISICアーカイブデータに1つの拡張プロトコルを使用した。
ISIC MILK10kでは、11級の直接分類により平均級感度0.525が得られる。
論文 参考訳（メタデータ） (2026-06-11T09:55:57Z) - 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) - Hide-and-Seek Attribution: Weakly Supervised Segmentation of Vertebral Metastases in CT [68.09387763135236]
脊椎レベルの健康・悪性のラベルにのみ、病変マスクを伴わずに訓練を施した弱い指導方法を提案する。
マスクの監視がないにも関わらず,強い爆発・解析性能を達成する。
論文 参考訳（メタデータ） (2025-12-07T14:03:28Z) - Transformer Classification of Breast Lesions: The BreastDCEDL_AMBL Benchmark Dataset and 0.92 AUC Baseline [1.9336815376402718]
本研究では,ダイナミックコントラスト強調MRIにおける乳腺病変の自動分類のためのトランスフォーマーベースフレームワークを提案する。
患者レベルでは100%の感度と67%の特異性を有する病変レベル分類のAUCを0.92で達成したSegFormerアーキテクチャを実装した。
データセット、モデル、評価プロトコルの公開リリースは、DCE-MRI病変分類のための最初の標準化されたベンチマークを提供する。
論文 参考訳（メタデータ） (2025-09-30T15:58:02Z) - ThyroidEffi 1.0: A Cost-Effective System for High-Performance Multi-Class Thyroid Carcinoma Classification [0.0]
甲状腺FNAB画像分類のための深層学習システムを開発した。
Benign, Indeterminate/Suspicious, and Malignantの3つの主要なカテゴリは、生後治療を直接指導するものだ。
システムは1000ケースを30秒で処理し、広くアクセス可能なハードウェアの実現可能性を示した。
論文 参考訳（メタデータ） (2025-04-19T02:13:07Z) - A Hybrid Feature Fusion Deep Learning Framework for Leukemia Cancer Detection in Microscopic Blood Sample Using Gated Recurrent Unit and Uncertainty Quantification [1.024113475677323]
白血病は、顕微鏡で血液や骨髄の腫れを分析して診断され、さらなる細胞化学的検査によって確認される。
深層学習は、白血病細胞の検出を補助する、顕微鏡スミア画像を分類する高度な方法を提供している。
本研究では,急性リンパ性白血病(ALL)の分類のためのハイブリッドディープラーニングモデルを構築した。
提案手法は、ALL-IDB1データセットで100%、ALL-IDB2データセットで98.07%、組み合わせたデータセットで98.64%という顕著な検出精度を達成した。
論文 参考訳（メタデータ） (2024-10-18T15:23:34Z) - Interpretable cancer cell detection with phonon microscopy using multi-task conditional neural networks for inter-batch calibration [39.759100498329275]
本稿では,バッチ間キャリブレーションを同時に実現する条件付きニューラルネットワークフレームワークを提案する。
異なる実験バッチをトレーニングし、検証することで、我々のアプローチを検証する。
このモデルを拡張して, 診断信号の再構成を行い, 疾患状態を示す有能な特徴の物理的解釈を可能にした。
論文 参考訳（メタデータ） (2024-03-26T12:20:10Z) - Virchow: A Million-Slide Digital Pathology Foundation Model [34.38679208931425]
本稿では,コンピュータ病理学の基礎モデルであるVirchowを紹介する。
Virchowは、150万のヘマトキシリンとエオシン染色されたスライドイメージに基づいて、632万のパラメータをトレーニングしたビジョントランスフォーマーモデルである。
論文 参考訳（メタデータ） (2023-09-14T15:09:35Z) - Learning to diagnose cirrhosis from radiological and histological labels
with joint self and weakly-supervised pretraining strategies [62.840338941861134]
そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。
我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。
この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
論文 参考訳（メタデータ） (2023-02-16T17:06:23Z) - Corneal endothelium assessment in specular microscopy images with Fuchs'
dystrophy via deep regression of signed distance maps [48.498376125522114]
本稿では,UNetをベースとしたセグメンテーション手法を提案する。
これは、フックスのジストロフィーの全度にわたって、信頼できるCE形態計測と腸骨同定を実現する。
論文 参考訳（メタデータ） (2022-10-13T15:34:20Z)
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。