[論文レビュー] Ensemble of CNN classifiers using Sugeno Fuzzy Integral Technique for Cervical Cytology Image Classification

Rohit Kundu, Hritam Basak+4 more|arXiv (Cornell University)|Aug 21, 2021

AI in cancer detection参考文献 29被引用数 8

ひとこと要約

本稿では、Sugeno Fuzzy Integralを用いた新規なファジィアンサンブル手法を提案し、事前学習済みの3つのCNN（Inception v3、DenseNet-161、ResNet-34）の分類スコアを統合することで、頸部細胞診画像の自動分類を実現する。各分類器の信頼度スコアに基づいて動的に重みを割り当てることで、Mendeley LBCデータセット上で99.48%の最先端の精度を達成し、従来の統合手法や個々のモデルを上回る性能を発揮した。

ABSTRACT

Cervical cancer is the fourth most common category of cancer, affecting more than 500,000 women annually, owing to the slow detection procedure. Early diagnosis can help in treating and even curing cancer, but the tedious, time-consuming testing process makes it impossible to conduct population-wise screening. To aid the pathologists in efficient and reliable detection, in this paper, we propose a fully automated computer-aided diagnosis tool for classifying single-cell and slide images of cervical cancer. The main concern in developing an automatic detection tool for biomedical image classification is the low availability of publicly accessible data. Ensemble Learning is a popular approach for image classification, but simplistic approaches that leverage pre-determined weights to classifiers fail to perform satisfactorily. In this research, we use the Sugeno Fuzzy Integral to ensemble the decision scores from three popular pretrained deep learning models, namely, Inception v3, DenseNet-161 and ResNet-34. The proposed Fuzzy fusion is capable of taking into consideration the confidence scores of the classifiers for each sample, and thus adaptively changing the importance given to each classifier, capturing the complementary information supplied by each, thus leading to superior classification performance. We evaluated the proposed method on three publicly available datasets, the Mendeley Liquid Based Cytology (LBC) dataset, the SIPaKMeD Whole Slide Image (WSI) dataset, and the SIPaKMeD Single Cell Image (SCI) dataset, and the results thus yielded are promising. Analysis of the approach using GradCAM-based visual representations and statistical tests, and comparison of the method with existing and baseline models in literature justify the efficacy of the approach.

研究の動機と目的

• ディープラーニングベースの分類において、公開可能な頸部細胞診データセットの不足という課題に対処する。
• CNN分類器に固定またはヒューリスティックな重みを用いる単純なアンサンブル手法を超える分類性能を向上させる。
• 個々の分類器の信頼度スコアに基づいて、動的に分類器の重要性を調整する適応的統合戦略を開発する。
• ディープラーニングとファジィ論理を活用して、自動頸がんスクリーニングの診断精度と信頼性を向上させる。
• 単一細胞画像および全スライド画像を含む複数のベンチマークデータセットで優れた性能を示し、臨床応用を支援する。

提案手法

• 特徴抽出および分類スコア生成のため、3つの事前学習済みCNNアーキテクチャ（Inception v3、DenseNet-161、ResNet-34）を用いた転移学習を実装する。
• 複数の分類器からのスコア統合に、非加法的ファジィ測度としてのSugeno Fuzzy Integralを採用し、補完的な情報を捉える。
• ファジィ積分は、各モデルの信頼性と個々のサンプルに対する自信度を反映するファジィ測度を用いて、分類器出力の統合により最終予測を算出する。
• ファジィ測度は検証セットにおける個々の分類器の性能から導出され、入力サンプルごとに分類器の再重み付けが可能になる。
• 可視化の解釈可能性を高めるためにGrad-CAMを適用し、注目マップを分析してモデルの意思決定を検証する。
• 性能向上の有意性を確認するため、McNemar検定を用いた統計的妥当性評価を実施する。

実験結果

リサーチクエスチョン

• RQ1 従来の統合手法と比較して、ファジィ積分に基づくアンサンブル手法は、頸部細胞診画像解析における分類精度を向上させることができるか？
• RQ2 分類器の信頼度スコアに基づく適応的重み付けは、小規模で不均衡な医療バイオデータセットにおいて性能にどのように影響を与えるか？
• RQ3 Sugeno Fuzzy Integralは、固定重みまたは多数決ベースのアンサンブル戦略に比べて、頸がん分類においてどの程度優れているか？
• RQ4 マルチ-CNNアンサンブルフレームワークにおいて、モデル固有の信頼度スコアは最終統合結果にどのような影響を与えるか？
• RQ5 Grad-CAMによる注目マップは、誤分類または正しく分類されたサンプルにおける臨床的診断特徴とどの程度相関しているか？

主な発見

• 提案されたSugeno Fuzzy Integralに基づくアンサンブルは、Mendeley LBCデータセットで99.48%の分類精度を達成し、個々のモデルやベースライン統合手法を顕著に上回った。
• SIPaKMeD WSIデータセットでは96.33%の精度を達成し、複雑な細胞形態を示す全スライド画像に対しても高いロバスト性を示した。
• SIPaKMeD SCIデータセットでは98.54%の精度を達成し、画像品質のばらつきがあるにもかかわらず、優れた一般化性能を示した。
• McNemar検定により、すべての比較で統計的有意性（p < 0.05）が確認され、帰無仮説が棄却され、アンサンブル手法が個々の分類器を上回ることの妥当性が裏付けられた。
• Grad-CAMの可視化結果から、モデルが生物学的に関連する領域（核やサイトプラズマ）に注目していることが判明し、解釈可能性と臨床的信頼性が向上した。
• 誤分類の主な原因は、画像レベルでのラベルの曖昧さ、1枚の画像に複数の細胞タイプが含まれること、または画像品質の悪さであり、モデル自体の失敗によるものではなかった。