論文の概要: Investigating White Blood Cells as a Source of False-Positive Malaria Parasite Detection in African Blood-Smear Images

• arxiv url: http://arxiv.org/abs/2609.29663v1
• Date: Sun, 30 Aug 2026 03:07:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:56.093397
• Title: Investigating White Blood Cells as a Source of False-Positive Malaria Parasite Detection in African Blood-Smear Images
• Title（参考訳）: アフリカ血球画像における偽陽性マラリア寄生虫の検出源としての白血球の検討
• Abstract要約: 白血球は寄生虫のみの検出装置における偽陽性の原因である。 ラッカナマラリア検出データセット(ウガンダとガーナの画像8,000枚)で2つのモデルを訓練した。
• 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: White blood cells (WBCs) present on every Giemsa-stained thick blood smear share visual properties with early-stage Plasmodium falciparum ring-form trophozoites: small size, round morphology, and intense purple staining. They are a plausible but untested source of false positives in parasite-only detectors. We trained two YOLOv12s models on the Lacuna Malaria Detection dataset (8,000 images from Uganda and Ghana): Model A with parasite labels only, and Model B with both parasite and WBC labels. Seven independent spatial and statistical analyses tested whether false positive (FP) predictions cluster near WBC locations. All seven refute the hypothesis. In both models, 95% of FPs are pure background detections (IoU below 0.10 against any ground-truth box); zero are WBC class confusions. Ripley's Cross-K analysis shows spatial repulsion between FP centroids and WBC positions at every radius tested. Model B outperforms Model A overall (mAP50 0.859 vs. 0.755), and the advantage is uniform across all WBC-proximity bands, pointing to multi-task representation learning rather than WBC suppression as the cause. False positives arise from Giemsa stain debris and preparation artifacts. Effective mitigation requires staining artifact augmentation and annotation of unannotated early-stage ring forms rather than WBC labeling alone.
• Abstract（参考訳）: 白血球(WBCs)は、ギエマサの粘着した濃厚なスミアに出現し、初期Plasmodium falciparum ring-form Trophozoites(小径、丸い形態、強烈な紫色染色)と視覚的特徴を共有する。 これらは寄生虫のみの検出装置における偽陽性の原因である。 寄生虫ラベルのみのモデルAと寄生虫ラベルとWBCラベルの両方のモデルBの2つのYOLOv12sモデル(ウガンダとガーナの画像8,000枚)を訓練した。 7つの独立した空間的・統計的分析により、WBC付近に偽陽性(FP)予測が集結するかどうかが検証された。 7人ともその仮説に反論する。 どちらのモデルでも、FPの95%は純粋なバックグラウンド検出(IoUは0.10以下)であり、0はWBCクラスの混乱である。 RipleyのCross-K分析は、FPセントロイドとWBCの半径毎の空間的反発を示している。 モデルBはモデルA全体の性能(mAP50 0.859 vs. 0.755)より優れており、WBC抑圧ではなくマルチタスク表現学習を原因とする。 偽陽性は、ジエムサの汚れの破片と人工物から生じる。 効果的な緩和には、WBCラベルのみではなく、アノテートされていないアーリーステージリングの染色アーティファクトの増補とアノテーションが必要である。

関連論文リスト

• LeukocyteCount: Automatic Identification and Counting for leukocytes using Deep Learning [0.6369115962791501]
  白血球(WBC)は、体内の感染防御機構を評価するのに必須のマーカーである。 WBCの数え方と分類の伝統的な方法は労働集約的であり、主に人間の誤りによって不正確になる傾向がある。 本研究では、特定課題の軽減を目的とした機械学習に基づく自動解決策を提案する。
  論文  参考訳（メタデータ） (2026-07-05T20:18:31Z)
• 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)
• 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)
• Multi-Stage Fine-Tuning of Pathology Foundation Models with Head-Diverse Ensembling for White Blood Cell Classification [0.08209843760716957]
  13クラスWBC分類のための多段階微調整手法を提案する。 私たちの最高のパフォーマンスモデルは、微調整されたDINOBloomベースです。 全てのモデルで一貫して誤分類されたケースは、確率的なラベル付けエラーや固有の形態的曖昧さに対して実質的に豊富である。
  論文  参考訳（メタデータ） (2026-03-20T18:00:59Z)
• 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)
• Exploring Few-Shot Object Detection on Blood Smear Images: A Case Study of Leukocytes and Schistocytes [37.440449828136586]
  調査は、DE-ViTと呼ばれる新しいアプローチに焦点を当てている。 この手法はFew-Shotパラダイムで採用されており、トレーニングは限られた数の画像に依存している。 DE-ViTはCOCOデータセットとLVISデータセットで最先端のパフォーマンスを示しているが、どちらもRaabin-WBCデータセットでのパフォーマンスを上回っている。
  論文  参考訳（メタデータ） (2025-03-21T12:46:49Z)
• Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
  近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。 そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
  論文  参考訳（メタデータ） (2024-04-26T16:39:50Z)
• Pathologist-Like Explanations Unveiled: an Explainable Deep Learning System for White Blood Cell Classification [1.516937009186805]
  HemaXは5つの属性を使って、病理学者のような説明を生成する、説明可能なディープニューラルネットワークベースのモデルである。 HemaXは、平均的な分類精度が81.08%、ジャカード指数が89.16%で、驚くべき結果が得られる。
  論文  参考訳（メタデータ） (2023-10-20T04:59:20Z)
• Classification of All Blood Cell Images using ML and DL Models [7.737213476933511]
  ヒトの血液は、主に血漿、赤血球、白血球、血小板から構成される。 栄養素を異なる臓器に輸送する上で重要な役割を担っている。 血液分析は、医師が個人の生理状態を評価するのに役立つ。
  論文  参考訳（メタデータ） (2023-08-11T07:57:12Z)

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。