Neural Cellular Automata for Lightweight, Robust and Explainable Classification of White Blood Cell Images

要約

血液悪性腫瘍の診断は、末梢血塗抹標本中の白血球を正確に特定できるかどうかにかかっています。
深層学習技術は、研究室での細胞の自動識別によってこのプロセスを拡張および最適化するための実行可能なソリューションとして浮上しています。
ただし、これらの手法は、一般化可能性の制限、ドメインのシフトに対する敏感さ、説明可能性の欠如など、いくつかの課題に直面しています。
ここでは、白血球分類のためのニューラル セル オートマトン (NCA) に基づく新しいアプローチを紹介します。
白血球画像の 3 つのデータセットでこのアプローチをテストし、従来の方法と比較して競争力のあるパフォーマンスを達成できることを示します。
NCA ベースの手法はパラメータの点で大幅に小さく、ドメインのシフトに対する堅牢性を示します。
さらに、このアーキテクチャは本質的に説明可能であり、各分類の意思決定プロセスへの洞察を提供し、専門家がモデル予測を理解して検証するのに役立ちます。
結果は、NCA が画像分類に使用できるだけでなく、従来の方法の主要な課題にも対処できることを示しており、臨床現場での適用可能性が高いことを示しています。

要約(オリジナル)

Diagnosis of hematological malignancies depends on accurate identification of white blood cells in peripheral blood smears. Deep learning techniques are emerging as a viable solution to scale and optimize this process by automatic identification of cells in laboratories. However, these techniques face several challenges such as limited generalizability, sensitivity to domain shifts and lack of explainability. Here, we are introducing a novel approach based on neural cellular automata (NCA) for white blood cell classification. We test our approach on three datasets of white blood cell images and show that we achieve competitive performance compared to conventional methods. Our NCA-based method is significantly smaller in terms of parameters and exhibits robustness to domain shifts. Furthermore, the architecture is inherently explainable, providing insights into the decision process for each classification, helping experts understand and validate model predictions. Results demonstrate that NCA not only can be used for image classification, but also address key challenges of conventional methods, indicating a high potential for applicability in clinical practice.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google