[論文レビュー] Cell Detection in Microscopy Images with Deep Convolutional Neural Network and Compressed Sensing

Yao Xue, Nilanjan Ray|arXiv (Cornell University)|Aug 10, 2017

Image Processing Techniques and Applications参考文献 33被引用数 27

ひとこと要約

本論文では、畳み込みニューラルネットワーク（CNN）と圧縮センシング（CS）を組み合わせた新しい深層学習フレームワーク、CNNCSを提案する。この手法は、ランダムプロジェクションを用いてスパースな細胞中心位置を圧縮ベクトルに符号化し、L1最適化を用いて回復することで、顕微鏡画像における細胞の検出と局所化を実現する。このアプローチにより、AMIDA-2013およびAMIDA-2016のミトーシス検出チャレンジにおいて、F1スコアで第3位という最先端の性能を達成した。

ABSTRACT

The ability to automatically detect certain types of cells or cellular subunits in microscopy images is of significant interest to a wide range of biomedical research and clinical practices. Cell detection methods have evolved from employing hand-crafted features to deep learning-based techniques. The essential idea of these methods is that their cell classifiers or detectors are trained in the pixel space, where the locations of target cells are labeled. In this paper, we seek a different route and propose a convolutional neural network (CNN)-based cell detection method that uses encoding of the output pixel space. For the cell detection problem, the output space is the sparsely labeled pixel locations indicating cell centers. We employ random projections to encode the output space to a compressed vector of fixed dimension. Then, CNN regresses this compressed vector from the input pixels. Furthermore, it is possible to stably recover sparse cell locations on the output pixel space from the predicted compressed vector using $L_1$-norm optimization. In the past, output space encoding using compressed sensing (CS) has been used in conjunction with linear and non-linear predictors. To the best of our knowledge, this is the first successful use of CNN with CS-based output space encoding. We made substantial experiments on several benchmark datasets, where the proposed CNN + CS framework (referred to as CNNCS) achieved the highest or at least top-3 performance in terms of F1-score, compared with other state-of-the-art methods.

研究の動機と目的

• 複雑な背景と変動する細胞密度を示す高解像度顕微鏡画像において、正確かつ頑健な細胞検出の課題に対処する。
• 広範なチューニングを要する従来のハンドクラフト特徴量手法の限界を克服し、細胞タイプ間での一般化性を向上させる。
• 細胞検出タスクにおける出力空間符号化に、圧縮センシングと深層ニューラルネットワークを統合する可能性を検証する。
• 細胞中心アノテーションのスパarsityを活用することで、局所化精度を向上させるエンドツーエンドで学習可能なフレームワークを開発する。
• 既存の最先端手法と比較して、ベンチマークデータセット上で優れた性能を示すことを実証する。

提案手法

• ランダムプロジェクションを用いて、細胞中心のスパースなピクセル位置を圧縮ベクトルに符号化し、出力次元を固定サイズに削減する。
• 入力として顕微鏡画像を受け取り、圧縮出力ベクトルを直接回帰する畳み込みニューラルネットワーク（CNN）を学習する。
• 予測された圧縮ベクトルから元のスパースな細胞中心位置を安定的に回復するために、L1ノルム最適化を活用する。
• 複数の重複するパッチ設定（0〜180ピクセルのオフセットを20ピクセルごとに変化）を用いたアンサンブル平均を適用し、検出の頑健性を向上させる。
• F1スコアを最大化するように、検証セット上でハイパーパrameter（M, L, λ）をランダムサーチで最適化する。
• マージルールを実装：9ピクセル半径内に6個以上の予測が重なっている場合に限り、最終的な検出を採用し、それらの位置を平均化する。

実験結果

リサーチクエスチョン

• RQ1 圧縮センシングに基づく出力符号化は、顕微鏡画像における深層学習ベースの細胞検出を改善できるか？
• RQ2 スパースな細胞中心位置の圧縮表現を学習したCNNが、直接ピクセル空間での回帰よりも優れた局所化精度を達成できるか？
• RQ3 標準化されたミトーシス検出ベンチマークにおいて、CNNCSフレームワークは最先端手法と比較してF1スコアでどの程度の性能を示すか？
• RQ4 このフレームワークは、ヒストロロジカル画像における多様な細胞密度や外観に一般化可能か？
• RQ5 アンサンブルパッチ処理は、検出の安定性と精度をどの程度向上させるか？

主な発見

• CNNCSフレームワークは、AMIDA-2013ミトーシス検出チャレンジでF1スコア0.471を達成し、17チーム中第3位となった。
• AMIDA-2016（TUPAC16）データセットでは、検証セットでF1スコア0.634を記録し、15チーム中第3位となった。
• AMIDA-2013において、4位のAggNetよりも10.2%高いF1スコアを達成し、顕著な性能向上を示した。
• 複数のオフセット設定を用いたアンサンブルパッチ処理により、検出の信頼性が向上し、誤検出が減少した。
• 変動する細胞密度や複雑なヒストロロジカル背景に対しても、強力な一般化性能を示した。
• 本研究は、医療画像解析分野において、CNNと圧縮センシングを出力空間符号化に統合した最初の成功事例である。