Benchmarking White Blood Cell Classification Under Domain Shift

要約

人間の血液塗抹標本の顕微鏡画像で白血球 (WBC) の種類を認識することは、病理学および血液学の分野における基本的なタスクです。
これまでの研究は手法やデータセットの開発に大きく貢献してきましたが、他の人が簡単に参照できるベンチマークやベースラインを調査した論文はほとんどありません。
たとえば、同じ畳み込みニューラル ネットワーク (CNN) モデルの報告された精度が異なる研究間で顕著に異なることが観察されましたが、これらの結果を再現するための公開実装は存在しません。
この論文では、WBC 認識のベンチマークを確立します。
私たちの結果は、CNN ベースのモデルが同様のイメージング条件下でトレーニングおよびテストされた場合に高い精度を達成することを示しています。
ただし、異なる条件下でテストすると、パフォーマンスが大幅に低下します。
さらに、以前の研究で広く使用されてきた ResNet 分類器は、バッチ正規化によるドメイン シフトの下では不当に低い汎化能力を示します。
私たちはこの問題を調査し、それを軽減できる代替の正規化手法をいくつか提案します。
私たちは完全に再現可能なコードを公開しています\footnote{\url{https://github.com/apple2373/wbc-benchmark}}。

要約(オリジナル)

Recognizing the types of white blood cells (WBCs) in microscopic images of human blood smears is a fundamental task in the fields of pathology and hematology. Although previous studies have made significant contributions to the development of methods and datasets, few papers have investigated benchmarks or baselines that others can easily refer to. For instance, we observed notable variations in the reported accuracies of the same Convolutional Neural Network (CNN) model across different studies, yet no public implementation exists to reproduce these results. In this paper, we establish a benchmark for WBC recognition. Our results indicate that CNN-based models achieve high accuracy when trained and tested under similar imaging conditions. However, their performance drops significantly when tested under different conditions. Moreover, the ResNet classifier, which has been widely employed in previous work, exhibits an unreasonably poor generalization ability under domain shifts due to batch normalization. We investigate this issue and suggest some alternative normalization techniques that can mitigate it. We make fully-reproducible code publicly available\footnote{\url{https://github.com/apple2373/wbc-benchmark}}.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google