論文の概要: On-Device Multi-Species Malaria Detection with Uncertainty-Calibrated Slide-Level Aggregation
- arxiv url: http://arxiv.org/abs/2608.08566v1
- Date: Sun, 09 Aug 2026 08:09:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:36.870655
- Title: On-Device Multi-Species Malaria Detection with Uncertainty-Calibrated Slide-Level Aggregation
- Title（参考訳）: 不確かさ校正スライドレベルアグリゲーションを用いたオンデバイス多種マラリア検出
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.1749935196721634
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Malaria remains a leading cause of mortality in resource-limited settings, where expert microscopists are scarce. Automated diagnosis based on microscopy images thus has strong potential to improve care delivery. But for an algorithm to deploy, a necessary requirement is that it meet a suite of non-obvious (from a machine learning (ML) perspective) clinical constraints. Therefore, in close consultation with a national health center we developed a malaria diagnosis pipeline which addresses key requirements listed by the health care center but typically ignored in the ML malaria literature. In particular, it includes: (i) stopping criteria (to reduce image acquisition and time-to-result); (ii) human-in-the-loop functionality (for review and accountability); (iii) multi-species discrimination (since treatment varies by species); (iv) thick film detection (standard for microscopy); (v) computationally-efficient uncertainty calculations (to aid clinician review); and (vi) an edge device platform (since internet can be spotty in this catchment area). The mobile system performs all inference on-device using YOLOv13n deployed via TensorFlow Lite. It detects four species and white blood cells from Giemsa-stained thick blood smear images, aggregating per-image detections into slide-level parasitemia with World Health Organization (WHO)-standard quantification. This paper highlights these various clinical constraints and offers methods to address them. Evaluated on 2,739 annotated images across all four species, the system achieves mAP@0.5 of 0.863, per-image parasite count correlation of r = 0.812, slide-level r = 0.951 (soft counting, 10 images/slide), and runs entirely offline with a pipeline time of 10.27 +- 1.65 s per image.
- Abstract（参考訳）: 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。
顕微鏡画像に基づく自動診断は、ケアデリバリーの改善に強い可能性を秘めている。
しかし、アルゴリズムがデプロイするために必要な要件は、(機械学習(ML)の観点から)望ましくない一連の臨床制約を満たすことである。
そこで我々は,全国保健センターとの緊密な協議で,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が,一般的にはMLマラリア文献で無視される。
特に以下を含む。
一 基準(画像取得及び再送の時間を削減すること。)
(二 レビュー及び説明責任のための)ループ内機能
(三)多種差別(種によって扱いが異なります)
(四)厚膜検出(顕微鏡の標準)
五 計算効率のよい不確実性計算(臨床医の診察を支援するため)及び
(vi)エッジデバイスプラットフォーム(この捕獲エリアではインターネットが不明瞭である可能性がある)
モバイルシステムは、TensorFlow Lite経由でデプロイされたYOLOv13nを使用して、デバイス上ですべての推論を実行する。
世界保健機関(WHO)の標準的な定量化により、ギムサ染色された厚い血液スミア画像から4種の種と白血球を検出し、スライドレベルの寄生虫症に画像ごとの検出を集約する。
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。
このシステムは4種すべてにわたる2,739枚の注釈付き画像に基づいて評価され、r = 0.812、スライドレベル r = 0.951(ソフトカウント、10枚/スライディング)の画像当たりの寄生虫数相関である0.863のmAP@0.5を達成し、パイプライン時間10.27 +- 1.65秒で完全にオフラインで実行される。
関連論文リスト
- MalariAI: A Label-Resilient Decoupled Framework for Universal Cell Segmentation and Explainable Stage Classification in Dense Malaria Blood Smears [0.0]
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。
論文 参考訳（メタデータ） (2026-07-01T03:27:04Z) - 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) - CodaMal: Contrastive Domain Adaptation for Malaria Detection in Low-Cost Microscopes [51.5625352379093]
マラリアは世界中で大きな問題であり、診断には低コストの顕微鏡(LCM)で効果的に動作するスケーラブルなソリューションが必要である。
ディープラーニングに基づく手法は、顕微鏡画像からコンピュータ支援による診断に成功している。
これらの方法には、マラリア原虫の感染した細胞とその生活段階を示す注釈画像が必要である。
LCMからの注記画像は、高精細顕微鏡(HCM)からの注記画像と比較して医療専門家の負担を著しく増大させる
論文 参考訳（メタデータ） (2024-02-16T06:57:03Z) - Building Flyweight FLIM-based CNNs with Adaptive Decoding for Object
Detection [40.97322222472642]
本研究では、ユーザ描画マーカーからオブジェクトを検出するために、畳み込みニューラルネットワーク(CNN)層を構築する方法を提案する。
糞便サンプルの顕微鏡画像におけるSchistosomiasis mansoni卵の検出と,衛星画像における船舶の検出に対処する。
我々のCNNは、SOTAオブジェクト検出器より数千倍も小さく、CPU実行に適している。
論文 参考訳（メタデータ） (2023-06-26T16:48:20Z) - Active Learning Enhances Classification of Histopathology Whole Slide
Images with Attention-based Multiple Instance Learning [48.02011627390706]
我々は、注意に基づくMILをトレーニングし、データセット内の各画像に対する信頼度を算出し、専門家のアノテーションに対して最も不確実なWSIを選択する。
新たな注意誘導損失により、各クラスにアノテートされた領域がほとんどない、トレーニングされたモデルの精度が向上する。
将来的には、病理組織学における癌分類の臨床的に関連する文脈において、MILモデルのトレーニングに重要な貢献をする可能性がある。
論文 参考訳（メタデータ） (2023-03-02T15:18:58Z) - Efficient subtyping of ovarian cancer histopathology whole slide images
using active sampling in multiple instance learning [2.038893829552157]
マルチインスタンス学習のための識別領域アクティブサンプリング (DRAS-MIL) は、注意スコアを用いて、高度に識別された領域のサンプリングに焦点を合わせ、計算的に効率的なスライド分類法である。
DRAS-MILは,3倍のクロスバリデーションAUCの0.8679で,全スライド解析と同様の分類性能が得られることを示す。
当社のアプローチでは、GPUで評価する時間の33%を要し、CPUだけで14%しか使用していません。
論文 参考訳（メタデータ） (2023-02-17T13:28:06Z) - Stain-invariant self supervised learning for histopathology image
analysis [74.98663573628743]
乳がんのヘマトキシリンおよびエオシン染色像におけるいくつかの分類課題に対する自己監督アルゴリズムを提案する。
本手法は,いくつかの乳がんデータセット上での最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2022-11-14T18:16:36Z) - 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) - MAIScope: A low-cost portable microscope with built-in vision AI to
automate microscopic diagnosis of diseases in remote rural settings [0.0]
マラリアは、2020年だけで62万7000人が死亡し、2億2100万人以上が感染したと推定されている。
本稿では,顕微鏡画像の撮影と組込み型AIによるマラリア寄生虫の自動検出が可能な,新しい低コスト携帯型デバイスであるMass-AI-Scope(MAIScope)を提案する。
論文 参考訳（メタデータ） (2022-08-12T04:39:20Z) - Automated SSIM Regression for Detection and Quantification of Motion
Artefacts in Brain MR Images [54.739076152240024]
磁気共鳴脳画像における運動アーチファクトは重要な問題である。
MR画像の画質評価は,臨床診断に先立って基本的である。
構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
論文 参考訳（メタデータ） (2022-06-14T10:16:54Z) - Skin Cancer Diagnostics with an All-Inclusive Smartphone Application [2.840144824279212]
ポータブル・在宅メラノーマ診断システムの開発には大きな関心がある。
本稿では,画像キャプチャ機能と事前処理とセグメンテーションを組み合わせたスマートフォンアプリケーションを提案する。
本手法は,良性黒色腫症例と良性黒色腫症例との鑑別において,軽量でユーザフレンドリで信頼性の高い手法である。
論文 参考訳（メタデータ） (2022-05-25T02:02:08Z) - A Dataset and Benchmark for Malaria Life-Cycle Classification in Thin
Blood Smear Images [7.113350536579545]
マラリア顕微鏡、寄生虫Plasmodiumを検出するステンド血液スライドの顕微鏡検査は、マラリアを検出するための金標準であると考えられています。
本研究では,染色フィルム写真中のプラスモジウム寄生虫を自動的に検出(局在化)する深層学習に基づく手法を提案する。
機械学習に基づくマラリア顕微鏡の研究を容易にするために,新しい大規模顕微鏡画像マラリアデータセットを提案する。
論文 参考訳（メタデータ） (2021-02-17T11:44:52Z)
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。