ICMLNov, 2023

基于深度学习的白细胞可解释分类研究

PDF
TL;DR这项研究探讨了无标记法对白细胞自动分类的置信度估计的校准，比较了不同的可视化解释方法，并且在血细胞分析的不同场景中展示了这些方法的实用性。
label-free approachescytological imagingmachine learningconfidence estimationblood cell analysis
发现论文，激发创造
  • 机器学习模型对白细胞分类的综述

    通过机器学习和深度学习模型应用于医学图像分析，本研究主要关注白细胞分类的现代技术，并提供了有关最常用的技术和最佳白细胞分类方法的宝贵见解，同时指出了数据集可用性、研究人员医学培训和使用高级深度学习网络的挑战。

    Aug, 2023

  • 神经元元胞自动机轻量级、鲁棒性和可解释白细胞图像分类

    白细胞分类的新颖方法基于神经元细胞自动机 (NCA)，在三个白细胞图像数据集上测试表明我们的方法在与常规方法的竞争性能方面取得了良好的结果，该架构天然可解释，提供了对每个分类决策过程的洞见，帮助专家理解和验证模型预测，结果表明 NCA 不仅可以用于图像分类，还能解决常规方法的关键挑战，显示高潜力可应用于临床实践。

    Apr, 2024

  • 揭示类似病理学解释的可解释性深度学习系统：白细胞分类

    使用 HemaX 模型，通过五个属性（粒度、细胞质颜色、细胞核形状、相对红细胞大小和核质比）进行细胞分类、定位和分割，并以类似病理学家的解释进行解释，表现出令人印象深刻的分类准确性和细胞定位的 Jaccard 指数，并且在生成解释方面也表现良好。

    Oct, 2023

  • BloodCell-Net: 人体所有微观血细胞图像的轻量级卷积神经网络分类

    通过深度学习方法，我们提出了一种自动化的血细胞分类和计数系统，利用 U-Net 模型进行血细胞分割，并应用 BloodCell-Net 方法对血细胞进行分类，实现了令人印象深刻的性能指标。

    Apr, 2024

  • 现代计算机视觉模型用于血细胞分类的分析

    通过使用 MaxVit，EfficientVit，EfficientNet，EfficientNetV2 和 MobileNetV3 等最新的高效架构，本研究旨在评估这些模型在白细胞分类中的性能，为当前方法提供更高效、可靠的替代方案，并探索创新的深度学习模型在血液分析中的应用。

    Jun, 2024

  • 跨领域白细胞分类的持续学习方法

    我们提出了一种基于示范集选择的血液白细胞分类的反复学习方法，对不同领域和类别的白细胞进行分类，在交叉域环境中优于现有的基线方法 iCaRL 和 EWC。

    Aug, 2023

  • 深度学习模型实现的血细胞分类

    人体血液细胞分类对于疾病识别至关重要，通过使用卷积神经网络和迁移学习技术，本研究提出了一种新的基于卷积神经网络的框架，成功实现了对血液细胞的准确分类，并在所采用的数据集上达到了 99.91% 的准确率。

    Aug, 2023

  • 一个大规模多领域白血细胞形态特征解释能力的白血病数据集

    提供了一个全面真实且大型的数据集，以便于淋巴细胞白血病的早期诊断，通过使用不同成本和放大率的两个显微镜进行数据收集，并提供了基线模型以及基于形态学信息的属性预测。

    May, 2024

  • 基于大规模多扫描仪数据集的深度学习红细胞分割与分类

    数字病理学发展迅速，结合人工智能、深度学习和高性能计算等技术的进步，可以提高和加速诊断过程，减少人为错误，并简化报告步骤。本文提出了一个新的大型红细胞（RBC）图像数据集，并提出了一个两阶段的深度学习框架用于 RBC 图像分割和分类，采用 U-Net 模型进行自动 RBC 图像分割，并使用 EfficientNetB0 模型进行 RBC 图像分类，取得了 98.03％的 IoU 和 96.5％的平均分类准确率。与其他知名 CNN 模型进行的实验比较表明，该模型在性能和计算成本之间取得了良好的平衡。

    Mar, 2024

  • FlowCyt: 深度学习方法在流式细胞术多类分类中的比较研究

    该研究提出了 FlowCyt，这是第一个针对流式细胞术数据进行多类单细胞分类的综合性基准。使用骨髓样本来对每个细胞的十二个标记进行表征，并通过监督感应学习和半监督传导学习在每个患者中最多使用 100 万个细胞进行实验。通过 Gaussian 混合模型，XGBoost，随机森林，深度神经网络和图神经网络（GNNs）等基准方法，GNNs 通过利用图编码数据的空间关系展现出卓越的性能。该基准允许对临床相关的分类任务进行标准化评估，并进行探索性分析以洞察血液细胞表型，并且是第一个具有丰富注释的异质数据集的公开流式细胞学基准。它将促进单细胞分析新方法的开发和严格评估。

    Feb, 2024