[論文レビュー] Early Diagnosis of Acute Lymphoblastic Leukemia Using YOLOv8 and YOLOv11 Deep Learning Models

Alaa Awad, Salah A. Aly|arXiv (Cornell University)|Oct 14, 2024

Digital Imaging for Blood Diseases被引用数 4

ひとこと要約

本研究では、統合されたマルチセル血液スライドデータセットを用いて訓練されたYOLOv8およびYOLOv11ディープラーニングモデルを用いて、急性リンパ性白血病（ALL）の新規早期診断フレームワークを提案する。トランスファーラーニング、データオーグメンテーション、およびセグメンテーションを活用することで、悪性と良性の白血球を区別する際のテスト精度が98.8％に達し、しばしばALLと誤診されるヘマトゴンズの正確な同定も可能となった。

ABSTRACT

Leukemia, a severe form of blood cancer, claims thousands of lives each year. This study focuses on the detection of Acute Lymphoblastic Leukemia (ALL) using advanced image processing and deep learning techniques. By leveraging recent advancements in artificial intelligence, the research evaluates the reliability of these methods in practical, real-world scenarios. Specifically, it examines the performance of state-of-the-art YOLO models, including YOLOv8 and YOLOv11, to distinguish between malignant and benign white blood cells and accurately identify different stages of ALL, including early stages. Moreover, the models demonstrate the ability to detect hematogones, which are frequently misclassified as ALL. With accuracy rates reaching 98.8%, this study highlights the potential of these algorithms to provide robust and precise leukemia detection across diverse datasets and conditions.

研究の動機と目的

• 血液スライド画像における急性リンパ性白血病（ALL）の早期かつ正確な検出を目的としたディープラーニングベースのシステムの開発。
• 現行のモデルにおけるギャップを埋めるために、単一細胞データセットではなくマルチセル画像を用いて訓練することで、臨床現場の現実を反映する。
• ALL画像データセットおよびALL-IDB1という2つの異なるデータセットを統合することで、一般化性能の向上を図る。
• ヘマトゴンズを良性として正確に分類することで、従来のモデルで見られる偽陽性の削減を実現する。
• YOLOv11とYOLOv8の性能を、さまざまな段階および細胞タイプにおけるALL検出に関して評価・比較する。

提案手法

• 本研究では、白血球の分類に主にYOLOv11およびYOLOv8 small（s）バージョンをオブジェクト検出モデルとして採用した。
• データ前処理には、画像セグメンテーション、グレースケーリング、マスキングを実施し、マルチセル血液スライド画像から個々の細胞を分離した。
• YOLOアーキテクチャの事前学習モデルを用いて、ALL-IDB1およびALL画像データセットの統合データセット上でトランスファーラーニングとファインチューニングを実施した。
• データセットは2つのクラスに再構成された：「正常」（ALLデータセットからの良性とALL-IDB1からの正常を統合）および「がん」（ALLデータセットからの初期期、前期、前骨髄球期およびALL-IDB1からのがん性細胞を統合）。
• 性能評価には標準指標を用いた：精度 = (TP + TN) / (TP + TN + FP + FN)、適合率 = TP / (TP + FP)、再現率 = TP / (TP + FN)、F1スコア = 2 × (適合率 × 再現率) / (適合率 + 再現率)、特異度 = TN / (TN + FP)。
• 収束性と一般化性能を最適化するため、100エポックで訓練を実施し、早期停止法および学習率スケジューリングを適用した。

実験結果

リサーチクエスチョン

• RQ1 YOLOv11およびYOLOv8モデルは、マルチセル血液スライド画像から早期段階の急性リンパ性白血病を高い精度で検出できるか？
• RQ2 ALL画像データセットとALL-IDB1データセットを統合することで、多様なサンプルタイプにわたるモデルの一般化性能はどのように向上するか？
• RQ3 モデルは、ヘマトゴンズを非悪性として正しく同定できる程度まで、偽陽性の削減が可能か？
• RQ4 YOLOv11の性能指標（精度、適合率、再現率、F1スコア、特異度）は、YOLOv8と比較してどのように差異を示すか？
• RQ5 データオーグメンテーションおよびトランスファーラーニングは、モデルの収束性および分類性能にどのような影響を及えるか？

主な発見

• YOLOv11sは98.8％のテスト精度を達成したのに対し、YOLOv8sは同じデータセットで98.4％の精度にとどまった。
• YOLOv11モデルは、最小限の変動を示す安定した訓練および検証損失曲線を示し、収束性の高さが裏付けられた。
• 混同行列の結果、良性の白血球（ヘマトゴンズを含む）のうちわずか0.06％ががん性と誤分類されたことが判明し、特異度の高さが顕著に表れた。
• ALL画像データセットとALL-IDB1という2つの多様なデータセットの統合により、ブルスト細胞のさまざまな形態的パターンにわたるモデルの一般化性能が顕著に向上した。
• YOLOv11は、VCaps-Net（98.64％）やカスタムCNN（97.85％）といった従来の最先端モデルを上回る精度を達成し、ALL検出分野における新たなベンチマークを確立した。
• 本モデルは、ヘマトゴンズと悪性ブルスト細胞を明確に区別でき、従来のALL検出システムが抱える継続的な課題を解決した。