[論文レビュー] A Curated and Re-annotated Peripheral Blood Cell Dataset Integrating Four Public Resources

Lu Gan, Xi Li+1 more|arXiv (Cornell University)|Jul 18, 2024

Single-cell and spatial transcriptomicsBiochemistry, Genetics and Molecular Biology被引用数 3

ひとこと要約

本論文は、BCCD、BCD、PBC、Raabin-WBCデータセットを厳密なサンプル削除、YOLOv8nを用いた半自動ラベリング、および手動による検証を経て統合した、高品質で再ラベリングされた末梢血球データセット、TXL-PBCを紹介する。得られたデータセットは、1008枚の訓練画像、288枚の検証画像、144枚のテスト画像で構成され、ラベルの分布と検出性能が優れており、YOLOv8nは全セットで0.964のmAPを達成し、元のデータセットを著しく上回る性能を示した。

ABSTRACT

We present TXL-PBC, a curated and re-annotated peripheral blood cell dataset constructed by integrating four publicly available resources: Blood Cell Count and Detection (BCCD), Blood Cell Detection Dataset (BCDD), Peripheral Blood Cells (PBC), and Raabin White Blood Cell (Raabin-WBC). Through rigorous sample selection, semi-automatic annotation using the YOLOv8n model, and comprehensive manual review, we ensured high annotation accuracy and consistency. The final dataset contains 1,260 images and 18,143 bounding box annotations for three major blood cell types: white blood cells (WBC), red blood cells (RBC), and platelets. We provide detailed visual analyses of the data distribution, demonstrating the diversity and balance of the dataset. To further validate the quality and utility of TXL-PBC, we trained several mainstream object detection models, including YOLOv5s, YOLOv8s, YOLOv11s, SSD300, Faster R-CNN, and RetinaNet, and report their baseline performance. The TXL-PBC dataset is openly available on Figshare and GitHub, offering a valuable resource for the development and benchmarking of blood cell detection models and related machine learning research.

研究の動機と目的

• 公開済みの血球データセットに見られる重大な欠陥、たとえばラベル誤り、サンプル数不足、データ品質の低さを是正すること。
• BCCD、BCD、PBC、Raabin-WBCの4つの公開リソースを統合・再ラベリングすることで、高品質でサンプルがバランスの取れたデータセットを作成すること。
• データ品質と一貫性の向上を通じて、血球検出のためのAIモデルの信頼性と一般化性能を向上させること。
• 今後の研究のための標準化された分割と包括的なアノテーションを備えたベンチマークデータセットを確立すること。
• YOLOv5およびYOLOv8アーキテクチャを用いた検出タスクにおいて、自由に利用可能な高パフォーマンスのベースラインモデルを提供すること。

提案手法

• BCCDおよびBCDデータセットから低品質なサンプルを手作業で削除し、データの整合性を向上させた。
• 全データセットに対してYOLOv8nを用いた半自動ラベリングを実施し、その後手動での検証を実施してアノテーションの正確性を保証した。
• BCCD、BCD、PBC、Raabin-WBCから清浄化され再ラベリングされたデータを統合し、ランダムシャッフルと名前の変更を施して多様性を確保した。
• 最終的なデータセットを1008枚の訓練画像、288枚の検証画像、144枚のテスト画像に分割し、バランスの取れた評価を確保した。
• TXL-PBC上で複数のYOLOベースのモデル（YOLOv5n/s/l、YOLOv8s/m）を訓練し、パフォーマンスのベースラインを確立した。
• BCCD、BCD、TXL-PBC間でラベル分布、バウンディングボックス面積、検出mAPを比較分析し、改善の有効性を検証した。

実験結果

リサーチクエスチョン

• RQ1 公開血球データセットの再ラベリングと統合は、検出モデルの性能を著しく向上させるか？
• RQ2 TXL-PBCにおけるラベル分布およびバウンディングボックス面積分布は、BCCDおよびBCDと比較してどのように異なるか？
• RQ3 TXL-PBCは、血球分析における新しいオブジェクト検出モデルの学習と評価のための信頼できるベンチマークとして機能できるか？
• RQ4 異なるYOLOアーキテクチャは、TXL-PBCデータセット上で元のデータセットと比較して、どの程度の性能を示すか？
• RQ5 複数のデータセットの統合は、モデルの一般化性能を向上させ、ラベル誤りのバイアスを低減できるか？

主な発見

• TXL-PBCは、BCCDおよびBCDと比較して、はるかに広いラベルバウンディングボックス面積の分布と、より多くのラベルを示しており、データの多様性とカバー範囲の向上を示している。
• TXL-PBC上で学習したYOLOv8nモデルは、全検出タスクで平均平均精度（mAP）0.964を達成し、BCCDおよびBCDデータセットでの性能を上回った。
• YOLOv8mは全クラスで最高のmAP 0.964を記録し、赤血球（RBC）で0.960、白血球（WBC）で0.978、血小板で0.925を達成し、優れた一般化性能を示した。
• YOLOv5n、YOLOv5s、YOLOv5l、YOLOv8s、YOLOv8mは、すべてTXL-PBCで学習した場合に、元のBCCDおよびBCDデータセットで学習した場合よりも優れたmAPスコアを達成した。
• データセットのラベルの一貫性の向上と誤ラベリングの低減により、モデルの訓練エラーが著しく減少し、検出の信頼性が向上した。
• TXL-PBCデータセットは https://github.com/lugan113/TXL-PBC_Dataset で公開されており、再現可能な研究とモデルベンチマークの実施が可能である。