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

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

Cell Image Analysis Techniques参考文献 28被引用数 19

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）を組み合わせることで、顕微鏡画像における細胞検出の性能を向上させる、新しい深層学習フレームワークであるCNNCSを提案する。スパースな細胞中心位置をランダムプロジェクションによって圧縮ベクトルに符号化し、CNNが入力画像からこの圧縮表現を回帰する。その後、L1最適化により元の細胞中心位置を再構築する。この手法は、ベンチマークデータセットで最先端の性能を達成し、AMIDA13 MICCAIコンペティションで3位を獲得した。

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 to locate target cells. 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. Consequently, 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. Using $L_1$-norm optimization, we recover sparse cell locations on the output pixel space from the predicted compressed vector. 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 experimentally demonstrate that proposed CNN + CS framework (referred to as CNNCS) exceeds the accuracy of the state-of-the-art methods on many benchmark datasets for microscopy cell detection. Additionally, we show that CNNCS can exploit ensemble average by using more than one random encodings of the output space. In the AMIDA13 MICCAI grand competition, we achieve the 3rd highest F1-score in all the 17 participated teams. More ranking details are available at this http URL Implementation of CNNCS is available at this https URL

研究の動機と目的

• 深層学習を用いて顕微鏡画像における正確で効率的な細胞検出を実現する挑戦に応えること。
• 従来のピクセル空間での学習とは異なり、出力空間を符号化することで一般化性と効率性を向上させる代替手法を検討すること。
• 生物学的画像解析におけるスパース出力予測に、圧縮センシングと深層学習を統合すること。
• 複数のランダム符号化を用いることで、アンサンブル平均化によって検出性能を向上させることの有効性を評価すること。
• 標準的な顕微鏡画像細胞検出ベンチマークデータセットおよび実世界のコンペティション（AMIDA13など）において、優れた性能を示すこと。

提案手法

• 本手法は、細胞中心のラベル付きピクセル位置からなるスパースな出力空間を、ランダムプロジェクションを用いて圧縮ベクトルに符号化する。
• 畳み込みニューラルネットワーク（CNN）を、入力顕微鏡画像からこの圧縮ベクトルを直接回帰するように学習させる。
• 予測された圧縮ベクトルから、不定方程式を解くためにL1ノルム最適化を用いて元のスパースな細胞位置を回復する。
• 複数の独立したランダム符号化を適用することでアンサンブル平均化が可能となり、耐性と精度が向上する。
• 圧縮センシングの理論的保証を活用するとともに、深層CNNの表現力の恩恵を受ける。
• エンドツーエンドで学習可能であり、直接的なピクセル単位の分類を避ける回帰-圧縮センシングフレームワークで動作する。

実験結果

リサーチクエスチョン

• RQ1 圧縮センシングを深層畳み込みニューラルネットワークと効果的に組み合わせることで、顕微鏡画像における細胞検出性能を向上させることができるか？
• RQ2 ランダムプロジェクションによる出力空間の符号化は、直接的なピクセル空間回帰と比較して、より優れた一般化性と性能をもたらすか？
• RQ3 複数のランダム符号化を用いることで、アンサンブル平均化によって検出精度を向上させることができるか？
• RQ4 CNNCSフレームワークは、標準的な顕微鏡画像細胞検出ベンチマークに対して、最先端の手法と比較してどのように性能を発揮するか？
• RQ5 提案手法は、AMIDA13のような実世界の大型コンペティションにおいて、競争力のある結果を達成できるか？

主な発見

• CNNCSフレームワークは、顕微鏡画像細胞検出の複数のベンチマークデータセットで最先端の性能を達成した。
• 17チームが参加したAMIDA13 MICCAIグランドコンペティションで3位を獲得し、実世界での優れた性能を示した。
• アンサンブル平均化による複数のランダム符号化の使用が、さらに検出精度の向上に寄与した。
• 圧縮センシングと深層学習の統合により、高い再構築忠実度を維持しながらスパース出力の効果的な回帰が可能になった。
• フレームワークは、細胞中心位置のスパarsityと、圧縮ドメインにおけるCNNの表現力の両方を活用することで、既存手法を上回った。
• 本手法は、細胞検出分野において、CNNと圧縮センシングに基づく出力空間符号化を初めて効果的に応用した。