[論文レビュー] CellLineNet: End-to-End Learning and Transfer Learning For Multiclass Epithelial Breast cell Line Classification via a Convolutional Neural Network

Darlington Akogo, Vincent Appiah+1 more|arXiv (Cornell University)|Aug 18, 2018

AI in cancer detection参考文献 3被引用数 6

ひとこと要約

CellLineNetは、手動による特徴抽出を必要とせず、5つの上皮性乳がん細胞株（MDA-MB-468、MCF7、10A、12A、HC11）をエンドツーエンドで多クラス分類可能な31層の畳み込みニューラルネットワークである。3,252枚の画像からなるデータセットを用いて、エンドツーエンド学習と微調整されたMobileNetアーキテクチャを用いた転移学習を実行した結果、96.67%の正確性を達成した。

ABSTRACT

Computer Vision for Analyzing and Classifying cells and tissues often require rigorous lab procedures and so automated Computer Vision solutions have been sought. Most work in such field usually requires Feature Extractions before the analysis of such features via Machine Learning and Machine Vision algorithms. We developed a Convolutional Neural Network that classifies 5 types of epithelial breast cell lines comprised of two human cancer lines, 2 normal immortalized lines, and 1 immortalized mouse line (MDA-MB-468, MCF7, 10A, 12A and HC11) without requiring feature extraction. The Multiclass Cell Line Classification Convolutional Neural Network extends our earlier work on a Binary Breast Cancer Cell Line Classification model. CellLineNet is 31-layer Convolutional Neural Network trained, validated and tested on a 3,252 image dataset of 5 types of Epithelial Breast cell Lines (MDA-MB-468, MCF7, 10A, 12A and HC11) in an end-to-end fashion. End-to-End Learning enables CellLineNet to identify and learn on its own, visual features and regularities most important to Breast Cancer Cell Line Classification from the dataset of images. Using Transfer Learning, the 28-layer MobileNet Convolutional Neural Network architecture with pre-trained ImageNet weights is extended and fine tuned to the Multiclass Epithelial Breast cell Line Classification problem. CellLineNet simply requires an imaged Cell Line as input and it outputs the type of breast epithelial cell line (MDA-MB-468, MCF7, 10A, 12A or HC11) as predicted probabilities for the 5 classes. CellLineNet scored a 96.67% Accuracy.

研究の動機と目的

• 手作業による特徴抽出に依存せずに、自動的で深層学習ベースの上皮性乳がん細胞株の分類システムを開発すること。
• 従来の二値分類研究を、5つの異なる細胞株を含む多クラス設定に拡張すること。
• ヒストオパスロジカル画像分類の文脈において、エンドツーエンド学習と転移学習の性能を評価すること。
• 単一の顕微鏡画像から高精度で細胞株タイプを予測できる、強固で一般化可能なモデルを構築すること。

提案手法

• 3,252枚の顕微鏡画像からなるデータセットを用いて、5つの上皮性乳がん細胞株の画像に対して、31層の畳み込みニューラルネットワーク（CellLineNet）をエンドツーエンドで学習する。
• モデルは、従来の特徴抽出パイプラインを回避して、生の画像データから直接視覚的特徴やパターンを学習する。
• 転移学習は、28層のMobileNetアーキテクチャ上で事前学習済みImageNet重みを初期値として使用し、特定の細胞株分類タスク向けに微調整することで実施される。
• モデルは各5つの細胞株クラスの予測確率を出力し、確率的分類を可能にする。
• 訓練、検証、テストは、バランスの取れた3,252枚の画像データセットを用いて実施され、信頼性の高い性能評価が保証される。

実験結果

リサーチクエスチョン

• RQ1 深層畳み込みニューラルネットワークは、手作業による特徴工学を一切行わずに、上皮性乳がん細胞株の高精度な多クラス分類を達成できるか？
• RQ2 限られたヒストオパスロジカル画像データセットにおいて、エンドツーエンド学習と転移学習の性能はどのように比較されるか？
• RQ3 MobileNetのような事前学習済みCNNアーキテクチャは、特定の生物学的画像分類タスクにどの程度効果的に微調整可能か？
• RQ4 画像入力のみを用いて、5つの異なる上皮性乳がん細胞株をどの程度の精度で区別できるか？

主な発見

• CellLineNetは、多クラス上皮性乳がん細胞株分類タスクにおいて、96.67%のテスト正確性を達成した。
• モデルは、生の画像入力のみを用いて、MDA-MB-468、MCF7、10A、12A、HC11の5つの異なる細胞株を正常に分類した。
• エンドツーエンド学習により、事前特徴工学を経ずに、データセットから判別可能な視覚的特徴をネットワークが自動で学習できた。
• 微調整されたMobileNetアーキテクチャを用いた転移学習が、比較的小さなデータセットでもモデルの高い性能を大きく貢献した。