医学图像检测任务最新研究6月30更新--细胞检测：A Large-scale Multi Domain Leukemia Dataset

1. 创新与工作主要内容

创新点总结

本文提出了一个大规模的多领域白血病数据集，专注于具有形态学属性的白细胞（WBC）检测，以提高白血病的早期诊断率。创新之处在于使用不同成本范围的两种显微镜（高成本显微镜HCM和低成本显微镜LCM）以及不同分辨率（100x、40x、10x）和传感器来收集数据，这增加了数据集的多样性和现实世界应用的泛化能力。此外，本文还提出了一种新的多头部对象检测方法，称为AttriDet，它不仅能够检测WBC的类型，还能预测它们的形态学属性，从而为白血病的预后提供可解释的辅助意见。

摘要部分翻译

标题：A Large-scale Multi Domain Leukemia Dataset for the White Blood Cells Detection with Morphological Attributes for Explainability

摘要：早期诊断白血病每年可以挽救数千人的生命。没有白细胞（WBC）的形态学信息，白血病的预后是具有挑战性的，并且依赖于昂贵的显微镜和血液学家分析外周血样（PBS）的可用性。深度学习方法可以被用来辅助血液学家。然而，这些算法需要大量的标记数据，而这些数据并不容易获得。为了克服这个限制，我们获取了一个现实、通用且大规模的数据集。为了收集这个全面的数据集以用于现实世界的应用，我们使用了两种不同成本范围的显微镜（高成本：HCM和低成本：LCM）在三种放大倍数（100x、40x、10x）下通过不同的传感器（HCM的高端相机，LCM的中档相机和两者的手机相机）进行数据捕获。高端相机比中档相机贵47倍，HCM比LCM贵17倍。在这个收集过程中，使用HCM在高分辨率（100x）下，经验丰富的血液学家从几位PBS白血病患者的2.4k图像中注释了10.3k种WBC类型（14种）和伪影，拥有55k个形态学标签（细胞大小、核染色质、核形状等）。随后，这些注释被转移到HCM的其他两种放大倍数和LCM的三种放大倍数，以及每种相机捕获的图像上。除了LeukemiaAttri数据集，我们还提供了多个对象检测器和无监督领域适应（UDA）策略的基线，以及基于形态学信息的属性预测。该数据集将在发表后公开，以促进这一方向的研究。

2. 实验数据

数据集

• LeukemiaAttri Dataset：包含28.9K张图像，使用低成本和高成本显微镜在三种不同分辨率（10x、40x、100x）下捕获，涉及14种WBC类型和55k个形态学标签。

评价指标

• mAP (Mean Average Precision)：用于评估对象检测器的性能。
• F1分数：用于评估属性预测的性能。

效果的提升

• AttriDet：提出的多头部WBC检测器在WBC检测和形态学属性预测方面均显示出性能提升，例如在某些子集上将mAP从26.3提高到28.2。

3. 信息补充

• 代码：[目前未提及代码是否公开。]
• 数据集：数据集将在论文发表后公开，以促进该领域的研究。
• 文章链接：arXiv: 2405.10803v1

本文通过构建大规模的多领域数据集和提出新的检测方法，为白血病的早期诊断和预后提供了新的工具和研究方向。通过提供详细的形态学属性和可解释的检测结果，有望辅助血液学家提供更准确的诊断。

相关图片：

数据集对比表格：