[論文レビュー] Convolutional Neural Network and decision support in medical imaging: case study of the recognition of blood cell subtypes

Daouda Diouf, D Seck+2 more|arXiv (Cornell University)|Nov 19, 2019

Digital Imaging for Blood Diseases参考文献 5被引用数 8

ひとこと要約

本研究では、ラベル付きの医用画像データを用いて、好中球、好酸球、リンパ球、単核球の4つの主要な血球亜型を自動分類するための畳み込みニューラルネットワーク（CNN）モデルを提案する。血液球画像のデータセットで訓練されたモデルは、97.77％の検証精度を達成し、多核球と単核球を区別する能力に優れており、血液疾患分野における臨床的意思決定を支援する。

ABSTRACT

Identifying and characterizing the patient's blood samples is indispensable in diagnostics of malignance suspicious. A painstaking and sometimes subjective task is used in laboratories to manually classify white blood cells. Neural mathematical methods as deep learnings can be very useful in the automated recognition of blood cells. This study uses a particular type of deep learning i.e., convolutional neural networks (CNNs or ConvNets) for image recognition of the four (4) blood cell types (neutrophil, eosinophil, lymphocyte and monocyte) and to enable it to tag them employing a dataset of blood cells with labels for the corresponding cell types. The elements of the database are the input of our CNN and they allowed us to create learning models for the image recognition/classification of the blood cells. We evaluated the recognition performance and outputs learned by the networks in order to implement a neural image recognition model capable of distinguishing polynuclear cells (neutrophil and eosinophil) from those of mononuclear cells (lymphocyte and monocyte). The validation accuracy is 97.77%.

研究の動機と目的

• 臨床検査所における白血球の手作業的かつ主観的な分類を自動化すること。
• 好中球、好酸球、リンパ球、単核球という4つの主要な血球タイプを特定するためのディープラーニングベースの画像認識システムを開発すること。
• 畳み込みニューラルネットワークが多核球と単核球を区別する能力を評価すること。
• 正確で自動化されたツールを提供することで、血球分類における臨床的意思決定を支援すること。
• 高精度なラベル付き血球画像データセットを用いて、モデルの頑健性を検証すること。

提案手法

• 畳み込みニューラルネットワーク（CNN）は、ラベル付き血球画像のデータセットで訓練され、分類のための階層的特徴を学習する。
• 入力データは、各画像が対応する細胞タイプにアノテーションされた前処理済みの血球画像から構成される。
• モデルは、好中球、好酸球、リンパ球、単核球という4つのカテゴリに細胞を分類するように訓練される。
• ネットワークアーキテクチャは、特徴抽出に畳み込み層を、最終的な分類に全結合層を活用する。
• モデルのパフォーマンスは検証精度を用いて評価され、多核球（好中球、好酸球）と単核球（リンパ球、単核球）の区別に特に注目が向けられる。
• 訓練プロセスにはハイパーパramータチューニングと最適化が含まれ、分類精度を最大化することを目的とする。

実験結果

リサーチクエスチョン

• RQ1 畳み込みニューラルネットワークは、医用画像から4つの主要な血球亜型を正確に分類できるか？
• RQ2 CNNは多核球（好中球、好酸球）と単核球（リンパ球、単核球）をどれほど効果的に区別できるか？
• RQ3 ラベル付き血球画像データセットを用いたディープラーニングモデルで、どの程度の検証精度が達成可能か？
• RQ4 自動画像認識が血球分類における主観性をどの程度低減できるか？
• RQ5 このモデルは、臨床的血液疾患分野における信頼できる意思決定支援ツールとして機能できるか？

主な発見

• 提案されたCNNモデルは、血球分類タスクにおいて97.77％の検証精度を達成した。
• モデルは、多核球（好中球および好酸球）と単核球（リンパ球および単核球）を高い精度で区別できた。
• 結果から、ディープラーニング技術が血球分類の正確性と客観性を顕著に向上させられると示された。
• モデルのパフォーマンスは、血液疾患分野における臨床的意思決定支援システムへの統合の可能性が非常に高いことを示している。
• 本研究は、CNNが医用画像における血球亜型の自動認識に非常に効果的であることを確認した。
• 高い正確性は、手作業で時間がかかる臨床検査所の分類に依存する必要を減らせる可能性を示唆している。