[論文レビュー] Deep CNNs for HEp-2 Cells Classification : A Cross-specimen Analysis

Hongwei Li, Wei‐Shi Zheng+1 more|arXiv (Cornell University)|Apr 20, 2016

Digital Imaging for Blood Diseases被引用数 10

ひとこと要約

本論文は、異なる標本間での一般化を重視し、HEp-2細胞の染色パターンを分類するための深層畳み込みニューラルネットワーク（CNN）アーキテクチャを提案する。データ拡張として新規標本の追加を施すことで、アフィン変換（回転、平行移動など）のみに依存する手法よりも性能が向上し、114,986枚の拡張画像とTask-1データを用いたleave-one-specimen-out評価で平均クラス正解率83.55%を達成した。これは、既存のCNNを上回り、トレーニングデータにおける標本の多様性の重要性を示している。

ABSTRACT

Automatic classification of Human Epithelial Type-2 (HEp-2) cells staining patterns is an important and yet a challenging problem. Although both shallow and deep methods have been applied, the study of deep convolutional networks (CNNs) on this topic is shallow to date, thus failed to claim its top position for this problem. In this paper, we propose a novel study of using CNNs for HEp-2 cells classification focusing on cross-specimen analysis, a key evaluation for generalization. For the first time, our study reveals several key factors of using CNNs for HEp-2 cells classification. Our proposed system achieves state-of-the-art classification accuracy on public benchmark dataset. Comparative experiments on different training data reveals that adding different specimens,rather than increasing in numbers by affine transformations, helps to train a good deep model. This opens a new avenue for adopting deep CNNs to HEp-2 cells classification.

研究の動機と目的

• HEp-2細胞の染色パターン分類における標本間一般化の課題に取り組む。
• 現実的なleave-one-specimen-outプロトコル下での深層CNNの有効性を評価する。
• 異なるデータ拡張戦略が、小規模で多様なデータセット上でのモデル性能に与える影響を調査する。
• 公に提供されているHEp-2データセット上で、提案された深層アーキテクチャを既存の最先端手法と比較する。

提案手法

• ネットワークの深さとパラメータ容量を向上させるために、10層の深層CNNと1×1畳み込みカーネルを設計した。
• 活性化関数にReLUを用い、トレーニングの安定化を図るために小さなランダム初期値で重みを初期化した。
• ICPR 2014データセットの正解バウンディングボックスとセグメンテーションマスクを用いて、自動的に細胞を標本画像から抽出した。
• 回転やミラー変換による画像の拡張に加え、不足しがちなクラスに特化した拡張を実施し、クラスのバランスを取った。
• 異なる患者からの標本間での一般化性能を評価するために、leave-one-specimen-out（LOSO）交差検証を用いた。
• 性能評価には、I3A HEp-2分類コンテストで標準として用いられる平均クラス正解率（MCA）を用いた。

実験結果

リサーチクエスチョン

• RQ1 テスト標本がトレーニング中に完全に未観測である状況下で、深層CNNの標本間評価における性能はいかがなものか？
• RQ2 標本ベースのデータ拡張とアフィン変換（例：回転、ミラー）の相対的な影響は、モデル正解率にどの程度及ぼすか？
• RQ3 画像数の増加（変換による）と比べて、トレーニングセットに含まれる異なる標本数の増加が、一般化性能をどれほど向上させるか？
• RQ4 LOSO評価下で、提案された深層アーキテクチャは、先行する最先端手法と比較してMCAでどの程度優れているか？
• RQ5 限られたデータ量で多様な標本を含むデータセットでトレーニングされた場合、深層学習モデルは競争力のある性能を達成できるか？

主な発見

• 提案された深層CNNは、114,986枚の拡張画像とTask-1データを用いた学習において、leave-one-specimen-out評価で平均クラス正解率（MCA）83.55%を達成した。
• 標本ベースのデータ拡張（新規標本の追加）は、アフィン変換のみに依存する手法よりも顕著に効果的であり、より多くの標本を含むが画像数が少ないセットではMCAが79.13%に達したのに対し、回転による拡張のみのセットではそれより低い性能を示した。
• 標本数の多いset-3で学習したモデルは、回転による拡張で画像数が8倍に増加したset-2で学習したモデルを上回った。これは、拡張による画像数の増加よりも、標本の多様性のほうが一般化性能向上に寄与していることを示している。
• LeNet-5アーキテクチャを用いた先行CNN（MCA 71.88%）と比較して、提案された深層CNNは2.79ポイント高いMCA（74.67%）を達成した。これは、より深いアーキテクチャの利点を示している。
• 混同行列の分析から、ゴルジ（Golgi）クラスは依然として困難であり、正解率は70.30%にとどまり、クラスの不均衡や他のパターンとの形態的類似性が主な障壁であることが明らかになった。
• k-fold交差検証では、同じモデルがデータ拡張なしで91.16%のMCAを達成した。これは、標本IDに過剰に適合するリスクと、現実的な評価のためにはLOSOが不可欠であることを示している。