[論文レビュー] High Accuracy Classification of White Blood Cells using TSLDA Classifier and Covariance Features

Hamed Talebi, Amin Ranjbar+3 more|arXiv (Cornell University)|Jun 12, 2019

Digital Imaging for Blood Diseases参考文献 26被引用数 8

ひとこと要約

本論文では、分離されたWBC領域から抽出された共分散特徴量と組み合わせたTSLDA分類器を用いた、高精度な白血球（WBC）分類システムを提案する。WBC領域のセグメンテーションにネイティブベイズクラスタリングを適用し、共分散記述子を用いてテクスチャおよび強度の変動を捉えることで、骨髄の顕微鏡画像において98.02%の分類精度を達成し、照明、形状、サイズのばらつきに対して顕著に高い耐性を示す。

ABSTRACT

creating automated processes in different areas of medical science with the application of engineering tools is a highly growing field over recent decades. In this context, many medical image processing and analyzing researchers use worthwhile methods in artificial intelligence, which can reduce necessary human power while increases accuracy of results. Among various medical images, blood microscopic images play a vital role in heart failure diagnosis, e.g., blood cancers. The prominent component in blood cancer diagnosis is white blood cells (WBCs) which due to its general characteristics in microscopic images sometimes make difficulties in recognition and classification tasks such as non-uniform colors/illuminances, different shapes, sizes, and textures. Moreover, overlapped WBCs in bone marrow images and neighboring to red blood cells are identified as reasons for errors in the classification task. In this paper, we have endeavored to segment various parts in medical images via Naïve Bayes clustering method and in next stage via TSLDA classifier, which is supplied by features acquired from covariance descriptor results in the accuracy of 98.02%. It seems that this result is delightful in WBCs recognition.

研究の動機と目的

• 顕微鏡画像における白血球の分類を自動的かつ高精度に行うためのシステムを開発すること。
• 非均一な照明、形状やサイズのばらつき、重なり合う細胞といったWBC分類の課題に対処すること。
• セグメンテーションと高度な特徴表現、および専用分類器を組み合わせることで、分類の耐性を向上させること。
• TSLDA分類器と共分散記述子を用いたパイプラインの性能を、実際の骨髄画像データセット上で評価すること。

提案手法

• 複雑な骨髄画像からのWBC領域を分離するために、ネイティブベイズクラスタリング法を用いたWBCのセグメンテーションを実施する。
• セグメンテーションされたWBC領域から共分散記述子を抽出し、局所的なテクスチャおよび強度パターンを効果的に表現する。
• TSLDA（テンソルスパース線形判別分析）分類器を用いて、共分散特徴量に基づいてWBCを分類する。
• 空間的および統計的特徴をテンソル表現を介して統合することで、識別能を向上させる。
• 共分散行列から導出された特徴ベクトルをTSLDA分類器の入力として用い、最適なクラス分離を実現する。
• 本システムは、多様なWBC形態を含む顕微鏡的骨髄画像データセットを用いて学習および評価された。

実験結果

リサーチクエスチョン

• RQ1 共分散特徴量とTSLDAの組み合わせが、従来の手法を上回るWBC分類精度を達成できるか？
• RQ2 重なり合う細胞や赤血球を含む複雑な骨髄画像において、ネイティブベイズクラスタリングはWBCのセグメンテーションにどの程度効果的か？
• RQ3 非均一な照明や形態的変動下でも、共分散記述子はどの程度識別能を向上させるか？
• RQ4 提案されたTSLDAおよび共分散特徴量パイプラインを用いて、達成可能な分類精度はどの程度か？

主な発見

• 提案手法は98.02%の分類精度を達成し、WBC認識において高い性能を示した。
• 共分散記述子の使用により、WBC領域内のテクスチャおよび強度の変動を捉えることで、特徴表現が顕著に向上した。
• ネイティブベイズクラスタリングは、重なり合う細胞や周囲の赤血球が存在する状況でも、WBCのセグメンテーションに効果的に機能した。
• TSLDA分類器は、テンソルおよびスパース学習を組み込むことで、標準LDAを上回るクラス分離性能を示した。
• 本システムは、顕微鏡画像間での非均一な照明およびWBCの形態的多様性に対しても、高い耐性を示した。