[論文レビュー] Constrained Multi-shape Evolution for Overlapping Cytoplasm Segmentation

Youyi Song, Lei Zhu+5 more|arXiv (Cornell University)|Apr 8, 2020

AI in cancer detection参考文献 39被引用数 4

ひとこと要約

本稿では、細胞団内の複数の細胞質形状を同時に進化させることで、頸部しょうすい画像における重なり領域の細胞質をセグメンテーションするための制約付きマルチシェイプ進化法を提案する。局所的（細胞質レベル）およびグローバル的（細胞団レベル）な形状事前知識を統合的に用い、統計的形状データから無限大の形状仮説集合をモデル化し、進化中に形状制約を強制することで、重なり領域における強度不足を補い、最先端手法を上回るセグメンテーション精度を達成する。

ABSTRACT

Segmenting overlapping cytoplasm of cells in cervical smear images is a clinically essential task, for quantitatively measuring cell-level features in order to diagnose cervical cancer. This task, however, remains rather challenging, mainly due to the deficiency of intensity (or color) information in the overlapping region. Although shape prior-based models that compensate intensity deficiency by introducing prior shape information (shape priors) about cytoplasm are firmly established, they often yield visually implausible results, mainly because they model shape priors only by limited shape hypotheses about cytoplasm, exploit cytoplasm-level shape priors alone, and impose no shape constraint on the resulting shape of the cytoplasm. In this paper, we present a novel and effective shape prior-based approach, called constrained multi-shape evolution, that segments all overlapping cytoplasms in the clump simultaneously by jointly evolving each cytoplasm's shape guided by the modeled shape priors. We model local shape priors (cytoplasm--level) by an infinitely large shape hypothesis set which contains all possible shapes of the cytoplasm. In the shape evolution, we compensate intensity deficiency for the segmentation by introducing not only the modeled local shape priors but also global shape priors (clump--level) modeled by considering mutual shape constraints of cytoplasms in the clump. We also constrain the resulting shape in each evolution to be in the built shape hypothesis set, for further reducing implausible segmentation results. We evaluated the proposed method in two typical cervical smear datasets, and the extensive experimental results show that the proposed method is effective to segment overlapping cytoplasm, consistently outperforming the state-of-the-art methods.

研究の動機と目的

• 重なり領域に起因する強度情報の不足により、頸部しょうすい画像における重なり細胞質のセグメンテーションが困難となる課題に対処すること。
• 制限された形状仮説集合を用い、得られる形状に制約がない既存の形状事前知識ベース手法の限界を克服すること。
• 局所的およびグローバルな形状事前知識を併用して複数の細胞質形状を同時に進化させることで、セグメンテーション精度を向上させること。
• 学習済みで包括的な形状仮説集合内に進化させた形状を制約することで、物理的に妥当なセグメンテーション結果を保証すること。

提案手法

• 本手法は、細胞質インスタンスの統計的形状解析から導出された無限大の形状仮説集合を用いて、局所的形状事前知識をモデル化する。
• 形状例の重要度を計算する学習アルゴリズムを導入し、仮説集合がすべての可能な細胞質形状を表現可能となるようにする。
• 細胞団内における複数の細胞質間の相互形状制約をモデル化することで、グローバルな形状事前知識を統合し、重なり領域における一貫性を向上させる。
• 進化過程では、局所的およびグローバルな形状事前知識を併用して形状の進化をガイドし、強度不足を補う。
• 各進化ステップにおける形状は、学習済みの形状仮説集合内に留まるように制約を課すことで、不自然な形状の生成を防ぐ。
• 収束解析を提供し、入力順序に依存せず最適な重みに収束することを証明する。

実験結果

リサーチクエスチョン

• RQ1 すべての可能な細胞質形状を含む包括的な形状仮説集合は、重なり領域におけるセグメンテーション精度を向上させ得るか？
• RQ2 細胞団内における細胞質同士の相互制約をモデル化するグローバルな形状事前知識を組み込むことで、セグメンテーション品質にどのような影響を与えるか？
• RQ3 学習済みの形状仮説集合内に進化させた形状を制約することで、不自然なセグメンテーション結果を効果的に低減できるか？
• RQ4 提案手法は、重なり細胞質セグメンテーションにおいて、既存の形状事前知識ベース手法と比較して精度および視覚的妥当性の面で優れているか？
• RQ5 形状統計の重要度学習アルゴリズムは、入力順序が変化してもロバストで収束性を示すか？

主な発見

• 提案手法は、2つの代表的な頸部しょうすい画像データセットにおいて、最先端手法を一貫して上回るセグメンテーション精度を達成した。
• 局所的およびグローバルな形状事前知識の併用が、強度が不足する重なり領域におけるセグメンテーションを顕著に改善した。
• 学習済みの形状仮説集合内に進化させた形状を制約することで、視覚的に不自然なセグメンテーション結果が効果的に低減された。
• 重要度学習アルゴリズムが最適重みに収束することが証明され、入力順序に依存しない収束性が確認された。
• 複数の細胞質形状を同時に進化させることで、細胞団全体の構造的一致性を保ちながら、優れた性能を達成した。