[論文レビュー] Bone marrow cells detection: A technique for the microscopic image analysis

Haichao Cao, Hong Liu+1 more|arXiv (Cornell University)|May 5, 2018

Digital Imaging for Blood Diseases参考文献 3被引用数 3

ひとこと要約

本論文は、局所化、セグメンテーション、分類の3段階パイプラインを用いて、顕微鏡画像内の骨髄細胞（BMCs）を自動で検出・分類する新規な自動手法を提案する。この手法は、色変換、段階的平均化、オツーのしきい値処理、領域拡大、K-meansクラスタリング、マーカー制御ウォーターシェーディングを組み合わせたセグメンテーションを実施し、その後SVM、ランダムフォレスト、その他の分類器を用いる。SVMを用いることで、最高で87.49%の平均認識率を達成した。

ABSTRACT

In the detection of myeloproliferative, the number of cells in each type of bone marrow cells (BMC) is an important parameter for the evaluation. In this study, we propose a new counting method, which also consists of three modules including localization, segmentation and classification. The localization of BMC is achieved from a color transformation enhanced BMC sample image and stepwise averaging method (SAM). In the nucleus segmentation, both SAM and Otsu's method will be applied to obtain a weighted threshold for segmenting the patch into nucleus and non-nucleus. In the cytoplasm segmentation, a color weakening transformation, an improved region growing method and the K-Means algorithm are used. The connected cells with BMC will be separated by the marker-controlled watershed algorithm. The features will be extracted for the classification after the segmentation. In this study, the BMC are classified using the SVM, Random Forest, Artificial Neural Networks, Adaboost and Bayesian Networks into five classes including one outlier, namely, neutrophilic split granulocyte, neutrophilic stab granulocyte, metarubricyte, mature lymphocytes and the outlier (all other cells not listed). Our experimental results show that the best average recognition rate is 87.49% for the SVM.

研究の動機と目的

• 組織病理学的画像における骨髄細胞の正確な検出と分類を可能にする自動システムの開発。
• 白血球増殖性疾患の診断において、時間がかかりかつ主観的である手作業による数え上げの課題を解決すること。
• 核と胞質の複数の画像処理技術を統合することで、セグメンテーションの正確性を向上させること。
• 5種類の細胞タイプに加え、外れ値クラスを含む多クラス分類における骨髄細胞分類のための複数の機械学習分類器の評価と比較。
• 標準的な顕微鏡画像撮影法に適した、臨床診断に適した堅牢で再現性のある手法を実現すること。

提案手法

• 局所化は、強化されたBMC画像を用いて色変換と段階的平均化法（SAM）を用いて実施する。
• 核のセグメンテーションには、SAMとオツー法の両方の重み付きしきい値を用い、核領域と非核領域を区別する。
• 胞質のセグメンテーションには、色の弱体化変換、改善された領域拡大アルゴリズム、およびK-meansクラスタリングを用いる。
• 連結している細胞はマーカー制御ウォーターシェーディングアルゴリズムを用いて分離し、重なっている細胞を解消する。
• セグメンテーション後に特徴抽出を実施し、分類段階に供給する。
• SVM、ランダムフォレスト、人工ニューラルネットワーク、AdaBoost、ベイジアンネットワークの5つの分類器を用い、骨髄細胞を5種類のタイプ（好中球分葉核顆粒球、好中球好中核顆粒球、メタルビューリスチッド、成熟リンパ球）および外れ値クラスに分類する。

実験結果

リサーチクエスチョン

• RQ1 ハイブリッド画像処理パイプラインは、従来の手法と比較して、顕微鏡画像における骨髄細胞検出の正確性を向上させることができるか？
• RQ2 段階的平均化とオツー法の組み合わせは、異なる画像条件下でも核のセグメンテーションにおいてどの程度効果的か？
• RQ3 改善された領域拡大とK-meansアプローチは、胞質セグメンテーションの正確性をどの程度向上させるか？
• RQ4 この多クラス設定において、どの機械学習分類器が最も高い認識率を示すか？
• RQ5 マーカー制御ウォーターシェーディングアルゴリズムは、密集した顕微鏡画像分野における重なっている骨髄細胞の分離に効果的に機能するか？

主な発見

• 提案手法は、サポートベクターマシン（SVM）分類器を用いることで、最高で87.49%の平均認識率を達成した。
• 色変換、SAM、およびオツー法の統合により、核のセグメンテーション正確性が顕著に向上した。
• 改善された領域拡大とK-meansクラスタリング技術は、ノイズと過剰セグメンテーションを最小限に抑えて、胞質領域を効果的にセグメンテーションした。
• マーカー制御ウォーターシェーディングアルゴリズムは、重なっている細胞を効果的に分離し、細胞数え上げにおける誤検出を低減した。
• テストされた分類器の中で、SVMはランダムフォレスト、人工ニューラルネットワーク、AdaBoost、ベイジアンネットワークを上回る分類正確性を示した。
• 全体のパイプラインは、骨髄顕微鏡画像データセットにおいて堅牢性と再現性を示し、臨床応用に適した性能を示した。