[論文レビュー] A Comprehensive Review of Image Analysis Methods for Microorganism Counting: From Classical Image Processing to Deep Learning Approaches

Jiawei Zhang, Chen Li+7 more|arXiv (Cornell University)|Mar 25, 2021

Cell Image Analysis Techniques参考文献 128被引用数 12

ひとこと要約

本論文は、古典的画像処理からディープラーニング技術に至るまで、微生物の個数数え上げのための画像解析手法について包括的なレビューを提供している。セグメンテーション手法（しきい値処理、エッジ検出、ディープラーニング）を評価し、ディープラーニングの優れた正確性と、将来的に自動的でエンドツーエンドの微生物個数数え上げシステムへの統合の可能性を強調している。

ABSTRACT

Microorganisms such as bacteria and fungi play essential roles in many application fields, like biotechnique, medical technique and industrial domain. Microorganism counting techniques are crucial in microorganism analysis, helping biologists and related researchers quantitatively analyze the microorganisms and calculate their characteristics, such as biomass concentration and biological activity. However, traditional microorganism manual counting methods, such as plate counting method, hemocytometry and turbidimetry, are time-consuming, subjective and need complex operations, which are difficult to be applied in large-scale applications. In order to improve this situation, image analysis is applied for microorganism counting since the 1980s, which consists of digital image processing, image segmentation, image classification and suchlike. Image analysis-based microorganism counting methods are efficient comparing with traditional plate counting methods. In this article, we have studied the development of microorganism counting methods using digital image analysis. Firstly, the microorganisms are grouped as bacteria and other microorganisms. Then, the related articles are summarized based on image segmentation methods. Each part of the article is reviewed by methodologies. Moreover, commonly used image processing methods for microorganism counting are summarized and analyzed to find common technological points. More than 144 papers are outlined in this article. In conclusion, this paper provides new ideas for the future development trend of microorganism counting, and provides systematic suggestions for implementing integrated microorganism counting systems in the future. Researchers in other fields can refer to the techniques analyzed in this paper.

研究の動機と目的

• 1980年代から2020年までの微生物個数数え上げのための画像解析手法を体系的にレビューし、分類すること。
• 画像前処理、セグメンテーション、分類技術における技術的トレンドと共通点を特定すること。
• 古典的手法とディープラーニングベースのアプローチの間での、微生物セグメンテーションおよび個数数え上げにおける性能と限界を評価すること。
• ディープラーニングを用いた統合的で自動化された微生物個数数え上げシステムの開発の基盤を提供すること。
• 未だ十分に検討されていない分野、特に分類ではなくセグメンテーションに向けたディープラーニングの応用を特定することで、今後の研究を導くこと。

提案手法

• 本論文は、デジタル画像解析を用いた微生物個数数え上げに関する144件以上の研究を体系的に行い、文献レビューを実施している。
• 手法は微生物の種別（細菌対それ以外の微生物）およびセグメンテーション技術（しきい値処理、エッジ検出、外部ツール（例：ImageJ、CellC）、ディープラーニング）別に分類されている。
• Otsuのしきい値処理、ウォーターシェドセグメンテーション、Cannyエッジ検出といった古典的手法の応用と限界が分析されている。
• U-Netの変種やアダプティブな拡張畳み込みネットワークを含むディープラーニングモデルが、セグメンテーションの正確性を向上させる能力について評価されている。
• Mean Absolute Error (MAE) やセグメンテーションの正確性といったパフォーマンス指標が含まれており、特定の研究から得られた結果が報告されている。
• 分析は、手動から自動化への移行と、ディープラーニングが高精度でスケーラブルなソリューションを可能にする役割に重点を置いている。

実験結果

リサーチクエスチョン

• RQ1 微生物個数数え上げにおける画像解析手法は、古典的画像処理からディープラーニングへどのように進化したか？
• RQ2 特に複雑またはノイズの多い顕微鏡画像において、異なる種類の微生物に最も効果的なセグメンテーション手法は何か？
• RQ3 分類タスクにおけるディープラーニングの優れた性能にもかかわらず、なぜセグメンテーションへの応用はまだ限定的なのか？
• RQ4 現行の微生物個数数え上げシステムにおける主な技術的ギャップと限界は何か、特に現実世界および大規模応用においては？
• RQ5 サンプリング、画像撮影、ディープラーニングを統合したシステムは、臨床的および産業的現場におけるリアルタイムで正確な微生物モニタリングをどのように可能にするか？

主な発見

• ディープラーニングベースのセグメンテーション手法は、特に小さなまたは重なった微生物において、古典的手法を上回る正確性と頑健性を示している。
• アダプティブな拡張畳み込みネットワークは、微生物個数数え上げにおいて66.5のMean Absolute Error (MAE) を達成し、スケールばらつきの処理が向上したことを示している。
• 分類タスクにおけるディープラーニングの成功にもかかわらず、そのセグメンテーションへの応用は依然として限定的であり、大きな研究機会が存在する。
• Otsuのしきい値処理やウォーターシェッドアルゴリズムといった古典的手法は基盤的であったが、複雑または高密度の顕微鏡画像ではしばしば失敗する。
• ImageJ や CellC は広く使われているツールであり、自動化された微生物個数数え上げシステムへの関心の高まりを反映している。
• 本レビューは、精子、群衆、車両の個数数え上げといった他の小さな物体検出タスクへの微生物個数数え上げ技術の応用の可能性が強いと同定している。