通过Segment Anything模型实现的领域不变表示学习用于血细胞分类
本文介绍了一种针对不同细胞域之间数据分布不平衡和因噪声、神经元元素变化等因素引起的域移动问题的深度卷积神经网络。该方法在精确识别细胞分类方面表现出色,为实验室和诊所的应用提供了坚实的基础。
Mar, 2023
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
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
血液病学中,计算模型具有显著的潜力,以提高诊断准确性、简化工作流程,并减少分析外周血细胞或骨髓涂片中的单个细胞的乏味工作。为解决大数据量效应不明显、数据集规模小以及从自然图像转移学习性能差的问题,我们介绍DinoBloom,这是血液病学中首个基于单个细胞图像的基础模型,利用了定制的DINOv2流程。我们的模型基于13个多样化的公开数据集构建而成,包含了迄今为止最大的血液病学开源队列,包括超过380,000个白细胞图像的外周血和骨髓涂片。我们评估其泛化能力时,使用具有挑战性的域转移的外部数据集进行测试。我们展示了我们的模型在血液和骨髓涂片的细胞类型分类方面,在线性探测和K近邻评估,以及通过弱监督多实例学习对急性髓系白血病亚型进行分类方面,都优于现有的医学和非医学视觉模型。DinoBloom系列模型(small、base、large和giant)可以适应各种下游应用,并成为分类问题的一个强有力的基线,同时有助于评估新数据集中的大数据批次效应。所有模型均可在github.com/marrlab/DinoBloom上获取。
Apr, 2024
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
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
新提出SCKansformer模型在骨髓血液细胞方面具有更高的分类准确性和效率,超过传统和先进的微细胞分类方法。
Jun, 2024
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
本文针对血细胞分类的准确性问题,提出了一种新颖的BC-SAM方法,该方法结合了Segment Anything Model的基础模型和LoRA微调技术,以提取血细胞图像的通用特征。通过引入无监督跨域自编码器,BC-SAM不仅学习内在特征,还有效抑制图像中的伪影,实验证明在两个公开数据集上超越了现有的最先进技术,展示了显著的改善潜力。
Aug, 2024
该研究针对血液疾病诊断中血细胞分类的准确性问题,提出了一种名为CytoDiffusion的扩散分类器,能够有效建模血细胞形态。该方法在异常检测、抵抗分布转移和低数据环境下的表现超越了当前最先进的模型,且生成的合成血细胞图像与真实图像几乎无法区分,从而为临床诊断的准确性提供了显著提升。
Aug, 2024