[論文レビュー] Robust White Blood Cell Classification with Stain-Normalized Decoupled Learning and Ensembling

Luu Le, Hong Cao+3 more|arXiv (Cornell University)|Mar 2, 2026

Digital Imaging for Blood Diseases被引用数 0

ひとこと要約

この論文は、染色標準化、分離型二段階学習、テスト時増強、および backbone アンサンブルを組み合わせて、ドメインシフト下の長尾WBC分類を解決し、WBCBench 2026でトップクラスの結果を達成する。

ABSTRACT

White blood cell (WBC) classification is fundamental for hematology applications such as infection assessment, leukemia screening, and treatment monitoring. However, real-world WBC datasets present substantial appearance variations caused by staining and scanning conditions, as well as severe class imbalance in which common cell types dominate while rare but clinically important categories are underrepresented. To address these challenges, we propose a stain-normalized, decoupled training framework that first learns transferable representations using instance-balanced sampling, and then rebalances the classifier with class-aware sampling and a hybrid loss combining effective-number weighting and focal modulation. In inference stage, we further enhance robustness by ensembling various trained backbones with test-time augmentation. Our approach achieved the top rank on the leaderboard of the WBCBench 2026: Robust White Blood Cell Classification Challenge at ISBI 2026.

研究の動機と目的

• WBC分類における染色およびスキャンのドメイン間変動に対処する。
• 少数クラスの性能を改善するための長尾分布の是正。
• 表現学習と分類器リバランシングを分離する分離型学習パイプラインを開発。
• 頑健性を高めるための染色標準化、テスト時増強、モデルアンサンブルを組み込む。

提案手法

• Macenko染色標準化を適用してドメイン間の染色外観を整列させる。
• Stage 1の表現学習にインスタンスバランスサンプリングを用いる。
• Stage 2でバックボーンを凍結し、クラスバランスサンプリングで分類器を再訓練する。
• Stage 2で効果的数再重み付けとフォーカルモジュレーションを組み合わせたハイブリッド損失を採用する。
• 推論時にテスト時増強を行い、CNNとViTの複数のバックボーンをアンサンブルして頑健性を向上させる。

Fig. 1 : Overview of our proposed framework for WBC classification

実験結果

リサーチクエスチョン

• RQ1 染色とスキャンを通じたクロスドメイン変動を、ターゲットドメインラベルなしで長尾分布下のWBC分類で改善できるか。
• RQ2 クラスバランスサンプリングとハイブリッド損失が少数クラスの感度と全体のマクロ指標にどのように影響するか。
• RQ3 CNNとトランスフォーマーベースのバックボーンをテスト時増強と組み合わせると、単一モデルより頑健性が高くなるか。

主な発見

• 分離型学習はマクロバランス指標を改善し、ResNet50は MF1 65.8 から 70.4、ResNet152は MF1 68.7 から 70.6 に向上。
• バックボーン Swin は分離により単一モデルの BAcc が最高の 80.9 を達成する一方、MF1 と MP は低く、アーキテクチャ間で校正の差がある。
• バックボーンのアンサンブル（R50+R152、R50+Swin、R152+Swin）はさらなる利益を生み、全体アンサンブルで MF1 74.2、BAcc 77.1 を達成。
• 全体として、クラス認識再重み付けとハイブリッド損失は少数クラスの感度を高める一方、多数クラスへの影響は限定的。
• 最終的な頑健性の向上にはターゲットドメインラベルは使用されず、分離、TTA、アンサンブルに依存する。

Fig. 2 : Confusion matrix of our best model on WBCBench 2026 Challenge Benchmark.