Mamba-Based Ensemble learning for White Blood Cell Classification

要約

白血球（WBC）の分類は、免疫の健康の評価とさまざまな疾患の診断に役立ちますが、手動分類は労働集約的であり、矛盾が生じる傾向があります。
深い学習の最近の進歩は、従来の方法よりも有望であることを示しています。
ただし、データの不均衡や、入力サイズに適していないトランスベースのモデルなどの最新のテクノロジーの計算要求などの課題は、実用的なアプリケーションを制限します。
このペーパーでは、WBC分類を改善するためにアンサンブル学習と統合されたMambaモデルを活用する新しいフレームワークを紹介します。
線形の複雑さで知られるMAMBAモデルは、トランスベースのアプローチに代わるスケーラブルな代替品を提供し、リソース制約の環境での展開に適しています。
さらに、ベンチマーク用に新しいWBCデータセットChula-WBC-8を紹介します。
私たちのアプローチは、このドメインにおけるMAMBAモデルの有効性を検証するだけでなく、精度を損なうことなく分類効率を大幅に向上させる可能性も示しています。
ソースコードは、https：//github.com/lewisclifton/mamba-wbc-classificationにあります。

要約(オリジナル)

White blood cell (WBC) classification assists in assessing immune health and diagnosing various diseases, yet manual classification is labor-intensive and prone to inconsistencies. Recent advancements in deep learning have shown promise over traditional methods; however, challenges such as data imbalance and the computational demands of modern technologies, such as Transformer-based models which do not scale well with input size, limit their practical application. This paper introduces a novel framework that leverages Mamba models integrated with ensemble learning to improve WBC classification. Mamba models, known for their linear complexity, provide a scalable alternative to Transformer-based approaches, making them suitable for deployment in resource-constrained environments. Additionally, we introduce a new WBC dataset, Chula-WBC-8, for benchmarking. Our approach not only validates the effectiveness of Mamba models in this domain but also demonstrates their potential to significantly enhance classification efficiency without compromising accuracy. The source code can be found at https://github.com/LewisClifton/Mamba-WBC-Classification.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google