[論文レビュー] Acute Lymphoblastic Leukemia Detection Using Hypercomplex-Valued Convolutional Neural Networks

Guilherme Vieira, Marcos Eduardo Valle|arXiv (Cornell University)|May 26, 2022

Digital Imaging for Blood Diseases参考文献 34被引用数 5

ひとこと要約

本稿では、クォータニオン、コクォータニオン、テッサリン、クリフォード代数を含む8種類の4次元結合的代数を用いた超複素数値畳み込みニューラルネットワーク（HvCNN）を提案し、末梢血塗抹標本画像における前立性リンパ芽球性白血病（ALL）の検出に応用する。HSV符号化画像を用いた場合、HvCNNはわずか36,000パラメータで最高96.6％の平均精度を達成し、実数値モデルを著しく上回り、非常に小型なアーキテクチャでありながら最先端の結果に近い性能を示した。

ABSTRACT

This paper features convolutional neural networks defined on hypercomplex algebras applied to classify lymphocytes in blood smear digital microscopic images. Such classification is helpful for the diagnosis of acute lymphoblast leukemia (ALL), a type of blood cancer. We perform the classification task using eight hypercomplex-valued convolutional neural networks (HvCNNs) along with real-valued convolutional networks. Our results show that HvCNNs perform better than the real-valued model, showcasing higher accuracy with a much smaller number of parameters. Moreover, we found that HvCNNs based on Clifford algebras processing HSV-encoded images attained the highest observed accuracies. Precisely, our HvCNN yielded an average accuracy rate of 96.6% using the ALL-IDB2 dataset with a 50% train-test split, a value extremely close to the state-of-the-art models but using a much simpler architecture with significantly fewer parameters.

研究の動機と目的

• 急性リンパ性白血病（ALL）診断を目的とした血液塗抹標本画像におけるリンパ芽球の分類に、超複素数値畳み込みニューラルネットワーク（HvCNN）の有効性を検証すること。
• 医療画像分類の文脈において、クォータニオン、コクォータニオン、テッサリン、クリフォード代数を含む8種類の4次元結合的超複素数代数と実数値CNNの性能を比較すること。
• 超複素数値ネットワークが、実数値モデルよりもHSV符号化画像の構造的整合性をより効果的に活用できるかどうかを評価すること。
• クォータニオン以外の超複素数代数（例：テッサリン、コクォータニオン）に基づくHvCNNが、標準的なクォータニオンベースのネットワークを上回る性能を示すかどうかを同定すること。
• HvCNNが、ResNet18のような深層実数値モデルと比較して著しく少ないパラメータで最先端の精度を達成できることを示すこと。

提案手法

• 本研究では、カンターとソロドフニコフのフレームワークに従い、クォータニオン、コクォータニオン、テッサリン、およびクライン4群代数を含む4次元結合的代数に基づく8種類の超複素数値畳み込みニューラルネットワーク（HvCNN）を採用した。
• 各HvCNNは、パラメータ共有と構造化された重み行列を用いて超複素数演算を模倣する実数値畳み込みネットワークアーキテクチャを採用しており、効率的な学習と推論を可能にしている。
• モデルは、再現性と公平性を確保するため、50％のトレイン・テスト分割を用いてALL-IDB2データセット上でトレーニングおよび評価された。
• 性能は、正解率、中央値正解率、およびスチューデントのt検定による統計的有意性を用いて評価され、性能順位の可視化にはハッセ図が用いられた。
• 超複素数代数は、結合性およびクリフォード代数やカイリー・ディクソン代数といった既知の代数と同型であるという数学的性質を備えており、理論的・実用的妥当性を保証している。
• 実数値ベースラインモデルは、同一の条件下でトレーニングされ、公平な比較を可能にするために、すべてのモデルが同一の画像前処理および増強パイプラインを経由した。

実験結果

リサーチクエスチョン

• RQ1 超複素数値畳み込みニューラルネットワーク（HvCNN）は、ALL検出のための血液塗抹標本画像からのリンパ芽球分類において、実数値CNNを上回ることができるか？
• RQ2 クォータニオン以外の超複素数代数（例：テッサリン、コクォータニオン）に基づくHvCNNは、標準的なクォータニオンベースのネットワークを上回る性能を示すか？
• RQ3 HSV符号化画像の使用は、RGB符号化画像と比較してHvCNNの性能を向上させるか？ もしそうであるなら、その理由は何か？
• RQ4 HvCNNは、ResNet18のような深層実数値モデルと比較して著しく少ないパラメータで、どの程度最先端の精度に到達できるか？
• RQ5 特定の代数的性質（例：可換性、クリフォード代数との同型性）を有する超複素数代数を用いることで、医療画像分類タスクにおいて測定可能な性能優位性が得られるか？

主な発見

• HSV符号化画像を用いた最良のHvCNN（コクォータニオン代数ベース）は、平均正解率96.51％を達成し、微細調整付きResNet18の97.92％に非常に近い性能を示した。
• HSV符号化画像を用いたHvCNNは、すべての実数値モデルを上回り、後者はHSVデータでわずか91.5％の中央値正解率を示し、全設定の中で最低であった。
• 代数 $ A[+1,+1] $（クライン4群と同型）に基づくHvCNNは、全テスト設定で最高の中央値正解率96.9％を記録した。
• テッサリン代数（$ B[-1,+1] $）およびコクォータニオン代数（$ A[-1,+1] $）に基づくHvCNNは、両者とも96.2％の中央値正解率を達成し、標準的なクォータニオンベースのモデルを上回った。
• 最高性能を示したHvCNNは、わずか36,000の学習可能なパラメータを有し、最先端の比較に用いられたResNet18の1,140万パラメータの0.3％に過ぎなかった。
• ハッセ図により、HSV符号化画像を用いたすべてのHvCNNが、RGBおよびHSVの両方の実数値モデルを有意に上回ることが確認され、すべての対比較で99％の信頼水準を満たした。