[論文レビュー] HEp-2 Cell Classification via Fusing Texture and Shape Information

Xianbiao Qi, Guoying Zhao+3 more|arXiv (Cornell University)|Feb 16, 2015

Systemic Lupus Erythematosus Research参考文献 34被引用数 8

ひとこと要約

本論文は、自己免疫疾患スクリーニングにおける診断精度の向上を目的として、マルチスケールのテクスチャと強化された形状特徴を統合する新規な HEp-2 細胞分類手法を提案する。マルチスケールのテクスチャ表現に PRICoLGBP 述語を導入し、形状モデリングにマルチスケール RootSIFT を用いた改良型フィッシャー・ベクトル（IFV）を採用することで、ICIP 2013 データ上で 79.5% の精度を達成。これはコンテスト優勝者を 4.2% 上回り、1 モデルアーキテクチャで ICPR 2014 優勝者の性能に匹敵した。

ABSTRACT

Indirect Immunofluorescence (IIF) HEp-2 cell image is an effective evidence for diagnosis of autoimmune diseases. Recently computer-aided diagnosis of autoimmune diseases by IIF HEp-2 cell classification has attracted great attention. However the HEp-2 cell classification task is quite challenging due to large intra-class variation and small between-class variation. In this paper we propose an effective and efficient approach for the automatic classification of IIF HEp-2 cell image by fusing multi-resolution texture information and richer shape information. To be specific, we propose to: a) capture the multi-resolution texture information by a novel Pairwise Rotation Invariant Co-occurrence of Local Gabor Binary Pattern (PRICoLGBP) descriptor, b) depict the richer shape information by using an Improved Fisher Vector (IFV) model with RootSIFT features which are sampled from large image patches in multiple scales, and c) combine them properly. We evaluate systematically the proposed approach on the IEEE International Conference on Pattern Recognition (ICPR) 2012, IEEE International Conference on Image Processing (ICIP) 2013 and ICPR 2014 contest data sets. The experimental results for the proposed methods significantly outperform the winners of ICPR 2012 and ICIP 2013 contest, and achieve comparable performance with the winner of the newly released ICPR 2014 contest.

研究の動機と目的

• IIF HEp-2 細胞画像分類における高いクラス内変動と低いクラス間変動の課題に対処する。
• マルチスケールのテクスチャ解析が分類性能に与える影響を調査する。
• 複数スケールでの大規模画像パッチからの局所特徴抽出により、形状表現を強化する。
• テクスチャと形状特徴の補完的性質が分類性能向上に寄与するかを検証する。
• 標準ベンチマークで既存の最先端手法を上回る統合的で効率的なモデルを開発する。

提案手法

• マルチスケールのテクスチャ特徴を捉えるために、新規なペアワイズ回転不変共起局所ガボール2値パターン（PRICoLGBP）記述子を提案する。
• 複数スケールでの大規模画像パッチから RootSIFT 特徴を抽出し、形状表現を強化する。
• 局所特徴をコンactenated したコンactenated 特徴ベクトルに変換するため、改良型フィッシャー・ベクトル（IFV）符号化モデルを採用する。
• PRICoLGBP テクスチャ特徴と IFV 符号化された形状特徴を、ラテン融合戦略を用いて統合する。
• 最終分類のため、連結された特徴ベクトル上で単一の SVM 分類器を学習する。
• ICPR 2014 データにおける汎化性能の評価のため、1 試料を除いてのクロスバリデーションプロトコルを用いる。

実験結果

リサーチクエスチョン

• RQ1 単一スケール手法と比較して、マルチスケールのテクスチャ解析は HEp-2 細胞分類精度を向上させるか？
• RQ2 マルチスケール RootSIFT と IFV 符号化を用いた大規模画像パッチからの形状特徴抽出は、分類性能を向上させるか？
• RQ3 テクスチャ特徴と形状特徴には、相補的関係があるか？
• RQ4 テクスチャと形状特徴の単一モデル統合は、上位コンテスト参加作品で用いられたアンサンブル手法を上回るか？
• RQ5 新たに公開された ICPR 2014 ベンチマークデータにおいて、本手法は最先端手法と比較してどうなるか？

主な発見

• PRICoLGBP 述語は、マルチスケールのテクスチャ情報を捉えることで、単一スケールの PRICoLBP（73.9%）から 78.4% まで分類精度を向上させた。
• マルチスケール RootSIFT 特徴の IFV 符号化は、VQ に基づく符号化を著しく上回り、PRICoLBP と融合した際には 75.3% の精度を達成した。
• PRICoLGBP と RootSIFT（IFV）の統合は、ICIP 2013 データセットで 79.5% の精度を達成し、ICIP 2013 優勝者を 4.2% 上回った。
• ICPR 2014 データセットでは、平均分類精度が 80.04% に達し、16 モデルを用いた優勝者（80.25%）と同等の性能を示したが、1 モデルで達成した。
• 本手法は「Nucleolar」と「Golgi」カテゴリで最も高い性能を示したが、「Golgi」は学習サンプルが限られていたため、最も低い性能を示した。
• 最も混同されやすいカテゴリペアは「Golgi」と「Nucleolar」、および「Speckled」と「Homogeneous」であり、類似したテクスチャと形状パターンが原因であった。