[論文レビュー] Enhanced Center Coding for Cell Detection with Convolutional Neural Networks

Haoyi Liang, Aijaz Ahmad Naik+3 more|arXiv (Cornell University)|Apr 18, 2019

Cell Image Analysis Techniques参考文献 34被引用数 4

ひとこと要約

本稿では、畳み込みニューラルネットワークを用いた細胞検出のための新しいセンター符号化方式であるrepel codingを提案する。この手法は、密接に配置された細胞センター間の応答を抑制することで、学習の安定性と検出精度を向上させる。4種類の細胞タイプと2種類のネットワークアーキテクチャにおいて、ガウス符号化および近接符号化と比較して、計数精度が最大12%向上し、検出精度が14%向上する。

ABSTRACT

Cell imaging and analysis are fundamental to biomedical research because cells are the basic functional units of life. Among different cell-related analysis, cell counting and detection are widely used. In this paper, we focus on one common step of learning-based cell counting approaches: coding the raw dot labels into more suitable maps for learning. Two criteria of coding raw dot labels are discussed, and a new coding scheme is proposed in this paper. The two criteria measure how easy it is to train the model with a coding scheme, and how robust the recovered raw dot labels are when predicting. The most compelling advantage of the proposed coding scheme is the ability to distinguish neighboring cells in crowded regions. Cell counting and detection experiments are conducted for five coding schemes on four types of cells and two network architectures. The proposed coding scheme improves the counting accuracy versus the widely-used Gaussian and rectangle kernels up to 12%, and also improves the detection accuracy versus the common proximity coding up to 14%.

研究の動機と目的

• ラベルの不適切な符号化が原因で生じる学習ベースの細胞検出における性能の劣化という課題に対処する。
• エントロピーと可逆性のバランスを取ることで、符号化方式を設計し、学習の安定性と予測のロバスト性を向上させる。
• 密集領域における隣接細胞の区別を改善する。これは、細胞計数と検出において長年の課題である。
• ガウス法や長方形カーネルといった広く使われている符号化方式を凌駕する符号化手法を開発する。その対象は多様な細胞タイプおよび画像条件である。

提案手法

• センター符号化のための2つの評価基準を提案：エントロピー（学習適合性の測定）と可逆性（ラベル回復のロバスト性の測定）。
• 2つの細胞センターの真ん中での応答を最小限に抑えつつ、実際のセンター付近での応答を高めるために、反発メカニズムを用いたrepel codingを設計する。
• raw dotラベルを密度マップに変換する学習可能または固定の変換としてrepel codingを実装し、特徴学習を強化する。
• 5種類の符号化方式を比較するため、4つの顕微鏡データセットで2つのCNNアーキテクチャ（FCNN-Aおよび残差ブロック強化版）を学習する。
• すべての設定において、検出と計数の性能を評価するためにF1スコアと平均絶対誤差（MAE）を用いる。
• 検出精度を評価するために、距離が平均細胞半径未満であるというマッチング基準を適用し、予測された中心点と真値中心点の1対1対応を保証する。

実験結果

リサーチクエスチョン

• RQ1 repel codingは、ガウス法、長方形カーネル、近接符号化、raw dotラベルといった既存の符号化手法と比較して、学習の安定性と予測精度においてどのように異なるか？
• RQ2 repel codingは、密集領域における密接に配置されたまたは重なった細胞の検出をどの程度向上させるか？
• RQ3 repel codingにおけるエントロピーと可逆性のバランスは、多様な細胞タイプおよび画像モalityにわたる一般化性能を向上させるか？
• RQ4 repel codingは、特に小規模な画像サイズとスパarsなラベルを有するデータセットで観察されるraw dotラベルによる学習発散問題を軽減できるか？
• RQ5 残差畳み込みブロックの導入は、さまざまな符号化方式の性能にどのように影響を与えるか？

主な発見

• repel codingは、4つのデータセットと2つのネットワークアーキテクチャを対象とした40のサブ実験のうち38で最高のF1スコアを達成した。
• FCNN-Aを用いたDGデータセットでは、repel codingが近接符号化と比較してF1スコアを6.96%向上し、ガウスカーネル符号化と比較して7.95%向上した。
• 残差ブロックを搭載したHBMデータセットでは、repel codingのF1スコアは0.9011であり、近接符号化（0.8933）と比較して0.78%向上、ガウスカーネル（0.8628）と比較して3.83%向上した。
• AdipおよびVggデータセットでは、バッチサイズが8未満の場合、raw dotラベルによる学習が頻繁に発散するが、repel codingはより良いラベル分布のおかげでこの問題を回避した。
• 部分的遮蔽領域（Vggデータセット）では、repel codingはraw dotラベルが重複または不安定な中心検出を生じがちなのに対し、より安定した予測を生成した。
• repel codingは優れた可逆性を示し、ネットワーク出力から元の細胞中心位置をより正確かつロバストに回復可能であることを裏付けた。