[論文レビュー] An unsupervised bayesian approach for the joint reconstruction and classification of cutaneous reflectance confocal microscopy images

Abdelghafour Halimi, Hadj Batatia+3 more|ArXiv.org|Mar 4, 2017

Statistical Methods and Inference参考文献 24被引用数 11

ひとこと要約

本稿では、ガンマ分布に従う乗法的スぺクルノイズと切断ガウス事前分布を備えた階層的モデルを用いて、真の反射率を同時に再構築し、皮膚反射性共焦点顕微鏡（RCM）画像を健全またはレントイゴ感受性と分類する非教師付きベイジアン手法を提案する。メトロポリス・ウィズイン・ギブスポストリクティブMCMCサンプラーにより、モデルパラメータと画像ラベルを推定し、実際のRCMデータで97.7%の精度を達成した。これはCARTベースの手法よりも15.5ポイント優れている。

ABSTRACT

This paper studies a new Bayesian algorithm for the joint reconstruction and classification of reflectance confocal microscopy (RCM) images, with application to the identification of human skin lentigo. The proposed Bayesian approach takes advantage of the distribution of the multiplicative speckle noise affecting the true reflectivity of these images and of appropriate priors for the unknown model parameters. A Markov chain Monte Carlo (MCMC) algorithm is proposed to jointly estimate the model parameters and the image of true reflectivity while classifying images according to the distribution of their reflectivity. Precisely, a Metropolis-whitin-Gibbs sampler is investigated to sample the posterior distribution of the Bayesian model associated with RCM images and to build estimators of its parameters, including labels indicating the class of each RCM image. The resulting algorithm is applied to synthetic data and to real images from a clinical study containing healthy and lentigo patients.

研究の動機と目的

• 非侵襲的皮膚病変診断を支援するため、RCM画像の同時再構築と分類フレームワークの構築を目的とする。
• RCM画像における乗法的スぺクルノイズの課題に対処し、画像品質の低下と視覚的解釈の困難さを軽減することを目的とする。
• 教師付き学習データに依存せず、非教師付きベイジアン推論を用いて画像を健全およびレントイゴに分類することを目的とする。
• ノイズモデル化と組織の反射率推定を1つの確率的枠組み内で統合することで、診断精度の向上を図ることを目的とする。
• 45名の患者を対象とした研究から得た実臨床RCM画像を用いて、本手法の妥当性を合成データおよび実データの両方で検証することを目的とする。

提案手法

• 各RCM画像を、平均が1のガンマ分布に従う乗法的スぺクルノイズによって汚染された観測値としてモデル化する階層的ベイジアンモデルを構築する。
• 反射率に正値を保証するため、切断ガウス事前分布を割り当て、その平均と分散にハイパーパラメータを設定し、非教師付き分類を可能にする。
• 画像ラベル（レントイゴまたは健全）を潜在変数としてモデルに組み込み、反射率、ノイズパラメータ、およびクラスラベルを同時に推定可能にする。
• すべての未知数（画像反射率、ノイズパラメータ、クラスラベル）の同時事後分布をサンプリングするため、ハイブリッドメトロポリス・ウィズイン・ギブスポストリクティブMCMCサンプラーを用いる。
• 繰り返しサンプリングにより、モデルパラメータおよび画像内容のMMSEおよびMAP推定値を算出し、トレースプロットによる収束の確認を実施する。
• 計算コストを削減しつつ、分類に不可欠なローカルなテクスチャ特徴を保持するため、250×250ピクセルの画像パッチを処理する。

実験結果

リサーチクエスチョン

• RQ1 教師付き学習データを必要とせず、真の反射率の同時再構築とRCM画像を健全およびレントイゴに分類する統一されたベイジアンフレームワークは可能か？
• RQ2 ガンマ分布を用いて乗法的スぺクルノイズをモデル化することで、従来の手法と比較してRCM画像分類の精度はどの程度向上するか？
• RQ3 反射率に切断ガウス事前分布を組み込むことで、再構築および分類プロセスのロバストネスと物理的妥当性はどの程度向上するか？
• RQ4 MCMCベースの推論戦略は、潜在ラベルと高次元画像データを含む複雑な事後分布を推定するためにどの程度有効か？
• RQ5 提案手法は、CARTなどの既存の特徴ベース分類手法に比べて、実臨床RCM画像の分類において優れた性能を示すか？

主な発見

• 提案手法は、45名の患者から得た実RCMデータで97.7%の分類精度を達成し、レントイゴ症例は1例のみ誤分類された。
• レントイゴ検出の感度は96.2%、特異度は100%に達し、病変例および健全例の両方を強く識別できることを示した。
• レントイゴ分類の精度は100%であり、予測されたレントイゴ症例に偽陽性は検出されなかった。
• 39個のウェーブレット特徴と意思決定木を用いたCARTベースの手法（82.2%）と比較して、提案されたベイジアンアプローチは15.5ポイントの精度向上を達成した（97.7%）。
• MCMCサンプラーは、合成データおよびさまざまなSNRレベルの実データにおいて、すべてのパラメータで安定した収束を示したことがトレースプロットにより確認された。
• 可視化解析から、誤分類された患者（#8）は健全患者と類似したテクスチャを示しており、微細な画像特徴が高精度分類器ですら挑戦する可能性があることが示された。