論文の概要: Multi-label versus multi-class classification of blood cells and their aggregates in microfluidic channels

• arxiv url: http://arxiv.org/abs/2609.07410v2
• Date: Wed, 09 Sep 2026 11:51:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.423717
• Title: Multi-label versus multi-class classification of blood cells and their aggregates in microfluidic channels
• Title（参考訳）: 微小流体流路における血液細胞とその集合体の多ラベルと多クラス分類
• Abstract要約: 血液細胞とその集合体を同定するためのマルチラベル(ML)アプローチを提案する。 従来のマルチクラス(MC)分類とは異なり、ML分類はトレーニングデータに表現されていない細胞集合を識別することができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deformability cytometry (DC) is a type of imaging flow cytometry, which uses a camera-equipped device to measure cellular stiffness in addition to other cellular properties at high throughput. Cellular properties such as area and elongation can identify cell types, but this requires prior knowledge of distinguishing properties and cannot be applied to clinically important cell aggregates. Using DC data, we evaluated conventional multi-class (MC) classification and introduced a multi-label (ML) approach for identifying blood cells and their aggregates. In particular, an ML classifier can simultaneously assign multiple cell-type labels to a single imaged event. We show that, unlike MC classification, ML classification can identify cell aggregates not represented in the training data. It also avoids the need for exhaustive, strictly defined aggregate labels, thereby simplifying and speeding up annotation. Since automated blood analyzers do not reliably analyze cell aggregates, our approach may help address this clinical gap.
• Abstract（参考訳）: 変形性サイトメトリー (Deformability cytometry, DC) は、高スループットで他の細胞特性に加え、細胞硬度を測定するためにカメラを備えた装置を用いてイメージングフローサイトメトリーの一種である。 面積や伸長などの細胞特性は細胞型を識別することができるが、この性質を区別する事前知識が必要であり、臨床的に重要な細胞集合体には適用できない。 DCデータを用いて,従来のマルチクラス(MC)分類を評価し,血液細胞とその集合体を同定するためのマルチラベル(ML)アプローチを導入した。 特に、ML分類器は、同時に複数のセルタイプラベルを単一の画像イベントに割り当てることができる。 MC分類とは異なり、ML分類はトレーニングデータに表現されていない細胞集合を識別できることが示されている。 また、徹底的に定義されたアグリゲーションラベルの必要性を回避し、アノテーションを簡素化し、スピードアップする。 自動血液分析装置は細胞集合体を確実に解析できないため,この臨床的ギャップに対処できる可能性がある。

関連論文リスト

• WBCAtt+: Fine-Grained Pixel-Level Morphological Annotations for White Blood Cell Images [59.418050353415005]
  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。
  論文  参考訳（メタデータ） (2026-05-19T11:25:25Z)
• Automatic Classification of Circulating Blood Cell Clusters based on Multi-channel Flow Cytometry Imaging [7.696386233227689]
  赤血球(RBCs)、白血球(WBCs)、血小板を含む循環血液細胞クラスター(CCCs)は、血栓症、感染、炎症などの病態に関連する重要なバイオマーカーである。 蛍光染色と組み合わせたフローは、これらの細胞クラスターを解析するために一般的に使われ、細胞の形態やタンパク質のプロファイルを明らかにする。 本研究では,CCC画像の解析とクラスタ内のセルタイプ同定のための新しい計算フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-20T16:32:23Z)
• 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)
• 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)
• Single-cell Multi-view Clustering via Community Detection with Unknown Number of Clusters [64.31109141089598]
  シングルセルデータに適した,革新的なマルチビュークラスタリング手法である scUNC を導入する。 scUNCは、事前に定義された数のクラスタを必要とせずに、異なるビューからの情報をシームレスに統合する。 3つの異なる単一セルデータセットを用いて,SCUNCの総合評価を行った。
  論文  参考訳（メタデータ） (2023-11-28T08:34:58Z)
• Mixed Models with Multiple Instance Learning [51.440557223100164]
  一般化線形混合モデル(GLMM)とMultiple Instance Learning(MIL)を統合するフレームワークであるMixMILを紹介する。 実験結果から,MixMILは単一セルデータセットにおいて既存のMILモデルより優れていることがわかった。
  論文  参考訳（メタデータ） (2023-11-04T16:42:42Z)
• Machine Learning for Flow Cytometry Data Analysis [0.0]
  フローサイトメーターは、同時に数万の細胞を迅速に分析し、同時に単一の細胞から複数のパラメータを測定できる。 何百万もの細胞から収集された多次元データの中で、興味深い細胞集団を手動で識別できる必要がある。 3つの代表的な自動クラスタリングアルゴリズムが選択され、完全にかつ部分的に自動ゲーティングによって適用され、比較され、評価される。
  論文  参考訳（メタデータ） (2023-03-16T00:43:46Z)
• Multi-class versus One-class classifier in spontaneous speech analysis oriented to Alzheimer Disease diagnosis [58.720142291102135]
  本研究の目的は,音声信号から抽出した新しいバイオマーカーを用いて自動解析を行うことにより,ADの早期診断と重症度評価の改善に寄与することである。 外付け器とフラクタル次元の機能に関する情報を使用することで、システムの性能が向上する。
  論文  参考訳（メタデータ） (2022-03-21T09:57:20Z)
• Attention based Multiple Instance Learning for Classification of Blood Cell Disorders [38.086308180994976]
  血液細胞障害患者の血液サンプルを分類するために,注意に基づく多症例学習法を提案する。 各細胞から抽出された特徴により、患者サンプルを4つの血液細胞障害のうち1つに分類する。 注意機構は、各セルの全体的な分類への貢献度を測定し、ネットワークの分類精度と医療専門家に対する解釈可能性を大幅に改善する。
  論文  参考訳（メタデータ） (2020-07-22T19:29:40Z)
• Cell Mechanics Based Computational Classification of Red Blood Cells Via Machine Intelligence Applied to Morpho-Rheological Markers [0.0]
  非教師なし機械学習手法は、リアルタイム変形性と蛍光(RT-FDC)により得られる形態・レオロジーマーカーにのみ適用される 提案手法は, 成熟赤血球由来の赤血球の分類において, ラベルフリーで有望な結果が得られたことを報告した。
  論文  参考訳（メタデータ） (2020-03-02T15:11:46Z)

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。