Platelet enumeration in dense aggregates

要約

赤血球、様々な種類の白血球、血小板などの血液成分の識別と計数は、医療従事者にとって重要なタスクである。ディープラーニングアプローチ、特に教師あり学習ストラテジーを用いた畳み込みニューラルネットワーク（CNN）は、このようなタスクにおいてかなりの成功を示している。しかし、U-NetのようなCNNベースのアーキテクチャでは、血小板の大きさや特徴のばらつきが大きいため、血小板を正確に識別するのに苦労することが多い。このような課題に対処するため、研究者は一般的にクラス重み付き損失関数のような戦略を採用しており、一定の成功を示している。しかし、これでは、血小板の大きさのばらつきや、凝集体を形成する傾向や他の血液成分との関連性という、より重大な課題に対処できない。本研究では、これらの問題を軽減するための畳み込みカーネルの役割を調べることによって、別のアプローチを探った。また、特異的な血小板と血小板凝集体に別々のクラスを割り当て、血小板を識別するために様々なU-Netアーキテクチャを用いてセマンティック・セグメンテーションを行った。次に、血小板をカウントするための2つの一般的な方法（ピクセル面積法と連結成分分析）を評価・比較し、単一血小板と血小板凝集体に特化した代替アプローチを提案した。実験の結果、血小板の識別において有意な改善が見られ、畳み込み演算とクラス指定の最適化の重要性が強調された。画素面積に基づく一般的な計数法では、血小板数を過剰に推定することが多いのに対し、本研究で提案する手法では大幅に改善されることを示す。これらの方法について、セグメンテーションマスクから詳細に議論する。

要約(オリジナル)

Identifying and counting blood components such as red blood cells, various types of white blood cells, and platelets is a critical task for healthcare practitioners. Deep learning approaches, particularly convolutional neural networks (CNNs) using supervised learning strategies, have shown considerable success for such tasks. However, CNN based architectures such as U-Net, often struggles to accurately identify platelets due to their sizes and high variability of features. To address these challenges, researchers have commonly employed strategies such as class weighted loss functions, which have demonstrated some success. However, this does not address the more significant challenge of platelet variability in size and tendency to form aggregates and associations with other blood components. In this study, we explored an alternative approach by investigating the role of convolutional kernels in mitigating these issues. We also assigned separate classes to singular platelets and platelet aggregates and performed semantic segmentation using various U-Net architectures for identifying platelets. We then evaluated and compared two common methods (pixel area method and connected component analysis) for counting platelets and proposed an alternative approach specialized for single platelets and platelet aggregates. Our experiments provided results that showed significant improvements in the identification of platelets, highlighting the importance of optimizing convolutional operations and class designations. We show that the common practice of pixel area-based counting often over estimate platelet counts, whereas the proposed method presented in this work offers significant improvements. We discuss in detail about these methods from segmentation masks.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL