ActiveSSF: An Active-Learning-Guided Self-Supervised Framework for Long-Tailed Megakaryocyte Classification

要約

骨髄異形成症候群の診断には、巨核球の正確な分類が重要です。
自己監視学習は医療画像分析で有望であることを示していますが、染色されたスライドの巨核球を分類するための応用は、3つの主な課題に直面しています。
これらの問題に対処するために、ActivessFフレームワークを提案します。これは、アクティブな学習を自己監視前の事前削除と統合します。
具体的には、私たちのアプローチでは、正確な領域抽出のために、K-MeansクラスタリングとHSV分析（臨床事前知識によって増強）と組み合わせたガウスフィルタリングを採用しています。
類似性のしきい値を動的に調整してクラスの不均衡を緩和する適応サンプル選択メカニズム。
形態学的な複雑さを克服するために、ラベル付きサンプルのプロトタイプクラスタリング。
臨床巨核データセットの実験結果は、ActivessFが最先端のパフォーマンスを達成するだけでなく、まれなサブタイプの認識精度を大幅に向上させることを示しています。
さらに、これらの高度な技術の統合は、臨床設定におけるActivessFの実際的な可能性をさらに強調します。

要約(オリジナル)

Precise classification of megakaryocytes is crucial for diagnosing myelodysplastic syndromes. Although self-supervised learning has shown promise in medical image analysis, its application to classifying megakaryocytes in stained slides faces three main challenges: (1) pervasive background noise that obscures cellular details, (2) a long-tailed distribution that limits data for rare subtypes, and (3) complex morphological variations leading to high intra-class variability. To address these issues, we propose the ActiveSSF framework, which integrates active learning with self-supervised pretraining. Specifically, our approach employs Gaussian filtering combined with K-means clustering and HSV analysis (augmented by clinical prior knowledge) for accurate region-of-interest extraction; an adaptive sample selection mechanism that dynamically adjusts similarity thresholds to mitigate class imbalance; and prototype clustering on labeled samples to overcome morphological complexity. Experimental results on clinical megakaryocyte datasets demonstrate that ActiveSSF not only achieves state-of-the-art performance but also significantly improves recognition accuracy for rare subtypes. Moreover, the integration of these advanced techniques further underscores the practical potential of ActiveSSF in clinical settings.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google