[論文レビュー] Efficient Column Generation for Cell Detection and Segmentation

Chong Zhang, Shaofei Wang+2 more|arXiv (Cornell University)|Sep 21, 2017

Advanced Neural Network Applications参考文献 44被引用数 3

ひとこと要約

本稿では、混雑した生物学的画像における細胞インスタンスセグメンテーションのための新しい列生成アプローチを提案する。問題は、重複のない細胞制約を含む整数計画法として定式化される。スーパーピクセルに基づく集合パッキングと奇数集合不等式を活用して線形計画緩和を厳密化することで、最小限のトレーニングで最先端の精度を達成する高速かつ任意のタイミングで出力可能な推論を実現。3つの顕微鏡画像データセットで評価され、近似的に最適なギャップと平均で1分未満の推論時間を達成した。

ABSTRACT

We study the problem of instance segmentation in biological images with crowded and compact cells. We formulate this task as an integer program where variables correspond to cells and constraints enforce that cells do not overlap. To solve this integer program, we propose a column generation formulation where the pricing program is solved via exact optimization of very small scale integer programs. Column generation is tightened using odd set inequalities which fit elegantly into pricing problem optimization. Our column generation approach achieves fast stable anytime inference for our instance segmentation problems. We demonstrate on three distinct light microscopy datasets, with several hundred cells each, that our proposed algorithm rapidly achieves or exceeds state of the art accuracy.

研究の動機と目的

• 最小限の人の介入で、密集した、生物学的に複雑な顕微鏡画像における正確で効率的なインスタンスセグメンテーションの課題に対処すること。
• すべての可能な細胞インスタンスを列挙する計算的非実行性を克服するため、インスタンスセグメンテーションを大規模な集合パッキング問題として定式化すること。
• 小規模な整数計画問題における正確な価格設定を活用した列生成により、リアルタイムまたは高スループットなバイオイメージ分析に適した安定的かつ任意のタイミングで出力可能な推論を可能にすること。
• ブランチアンドプライスを必要とせずに、価格設定問題の構造を損なわずに、奇数集合不等式を直接価格設定フェーズに統合することで、線形計画緩和の品質を向上させること。
• 特に透過的またはコントラストが低い画像においても、多様な細胞形状や画像モダリティにわたって強力な耐性を示すことを実証すること。

提案手法

• 変数が候補となる細胞を表す整数線形計画法（ILP）としてインスタンスセグメンテーションを定式化し、セットパッキングによるピixeL単位の重複禁止制約を課す。
• 次元削減と計算可能性の向上のため、スーパーピクセルを原子的な画像単位として用い、セットパッキング定式化における潜在的な要素を表す。
• 小規模な整数計画問題の正確な最適化により価格設定副問題を解くことで、効率的な列生成を実現する列生成フレームワークを実装する。
• 価格設定問題の構造と整合性を持つ奇数集合不等式を用いて線形計画緩和を厳密化し、ブランチアンドプライスの必要性を回避する。
• 下界を計算し、列生成プロセスをガイドするために、双対上昇法およびラグランジュ緩和技術を適用する。
• スーパーピクセルの強度および境界特徴に基づく単項潜在変数を推定するためのランダムフォレスト分類器を統合し、ILPのコスト関数に反映する。

実験結果

リサーチクエスチョン

• RQ1 小規模な整数計画問題における正確な価格設定を用いた列生成アプローチは、最小限のトレーニングで混雑した生物学的画像における高品質なインスタンスセグメンテーションを達成できるか？
• RQ2 価格設定問題の構造を損なわせずに、奇数集合不等式の統合は線形計画緩和をどの程度厳密にできるか？
• RQ3 スーパーピクセルに基づく次元削減は、分類精度を保持しつつスケーラブルな最適化を可能にするか？
• RQ4 多様な細胞形態を示す実際の顕微鏡画像データセットにおいて、本手法は最先端の手法と比較して、精度と推論速度の両面で優れているか？
• RQ5 多様な生物学的画像データセットにおいて、本手法はタイトな双対ギャップを示す安定的かつ任意のタイミングで出力可能なソリューションを提供できるか？

主な発見

• 本手法は3つの異なる光顕微鏡画像データセットで最先端の性能を達成または上回り、Fスコアが0.90以上、Dice係数がほとんどの場合0.85を超えた。
• データセット1では、99.28％のインスタンスが0.1未満の正規化双対ギャップを達成し、高い解の品質とタイトな緩和を示した。
• 推論時間は通常200秒未満（データセット1でピーク約150秒）であり、先行する最先端手法（Zhang et al., 2014b）と比較しておおよそ10倍速かった。
• 完全にラベル付けされたトレーニングデータが不要であり、1つのデータセットあたり1つのランダムフォレスト分類器のみを用いることで、人的アノテーションを最小限に抑えた。
• 細胞の形状やサイズの変動に対して強く、同じ画像内で非常に非円形で重複する細胞を効果的にセグメンテーションした。
• 奇数集合不等式の使用により、価格設定問題の構造を損なわずに線形計画緩和が厳密化され、ブランチアンドプライスを用いずに効率的な解法が可能になった。