[論文レビュー] Image Classification with Rejection using Contextual Information

Filipe Condessa, José M. Bioucas‐Dias+3 more|arXiv (Cornell University)|Sep 3, 2015

Advanced Image and Video Retrieval Techniques参考文献 14被引用数 3

ひとこと要約

本論文は、グラフベースのエネルギー最小化モデルを用いて、再帰的分類とマルチスケールの文脈的情報を統合する新しい画像分類フレームワークを提案する。マルチノミアルロジスティック回帰と空間的およびマルチレベルの類似性制約を組み合わせることで、分類精度を向上させるとともに、特に未知のクラスを含むノイズが多い、小規模またはアンバランスなヒストパスロジー画像データセットにおいて、不確実または誤分類された領域を知的に拒否する。

ABSTRACT

We introduce a new supervised algorithm for image classification with rejection using multiscale contextual information. Rejection is desired in image-classification applications that require a robust classifier but not the classification of the entire image. The proposed algorithm combines local and multiscale contextual information with rejection, improving the classification performance. As a probabilistic model for classification, we adopt a multinomial logistic regression. The concept of rejection with contextual information is implemented by modeling the classification problem as an energy minimization problem over a graph representing local and multiscale similarities of the image. The rejection is introduced through an energy data term associated with the classification risk and the contextual information through an energy smoothness term associated with the local and multiscale similarities within the image. We illustrate the proposed method on the classification of images of H&E-stained teratoma tissues.

研究の動機と目的

• 訓練データが小規模、アンバランス、ノイズが多い、または不完全な状況下でも、ヒストパスロジー画像分類の耐障害性を高めること。
• 空間的およびマルチスケールの文脈的情報を再帰に配慮したフレームワークに統合することで、分類精度を向上させること。
• 低信頼度の予測を拒否することで、未知または曖昧な領域の誤分類を低減すること。
• 再帰を分類プロセスに埋め込む統合型モデルを構築すること。後処理としてのルールではなく、分類そのものに再帰を統合する。
• H&E染色による奇形性腫瘍組織画像を用いて、ピクセル単位の正例が入手不可能で、クラスの分離性が低い状況で、本手法を評価すること。

提案手法

• 本手法は、画像パッチ間の局所的およびマルチスケールの類似性を表すグラフ上でエネルギー最小化問題として画像分類を定式化する。
• 初期の分類予測には、確率的分類器としてマルチノミアルロジスティック回帰モデルを用いる。
• 再帰は、エネルギー関数内のデータ項を通じて導入され、分類リスクが高くなるのをペナルティとして与える。一方、滑らかさ項は、文脈的情報に基づく類似性に従って一貫性を保証する。
• エネルギー関数は、事後確率による分類リスクと、パッチ類似度による空間的整合性を組み合わせ、分類と再帰の両方の意思決定をガイドする。
• 再帰の閾値は、分類品質を最適化することで決定され、精度と再帰率のバランスを取る。
• フレームワークは、ランダムに選択された0.5%の画像パッチのサブセットを用いて学習および評価され、正則化パラメータλ = 5が用いられる。

実験結果

リサーチクエスチョン

• RQ1 文脈的情報と再帰を組み合わせることで、限られたまたはノイズの多い学習データを伴う画像分類タスクにおける分類精度を向上させることができるか？
• RQ2 空間的およびマルチスケールの類似性の統合が、再帰に配慮した分類器の性能に与える影響は何か？
• RQ3 本手法は、標準的な再帰付き分類や文脈情報のみのアプローチに比べて、分類品質および非再帰領域の精度において優れているか？
• RQ4 本手法は、ヒストパスロジー画像における未知または曖昧な組織領域の誤分類をどの程度低減できるか？
• RQ5 異なる画像の複雑さやクラス分布において、性能はどのように変化するか？

主な発見

• 画像1および2において、本手法は文脈情報のみの分類より高い分類品質を達成しており、誤分類された領域の有効な再帰と、正しい分類の保持が可能であることが示された。
• 画像3では、文脈情報のみの分類精度が既に高かったが、本手法はより多くの正しく分類されたサンプルを再帰したため、分類品質が低下した。これは、複雑なケースにおいてはトレードオフが顕在化することを示している。
• 本手法の性能は、最適な再帰率を用いた再帰付き分類と同等であり、文脈的情報が手動による閾値チューニングの代替として機能できることを示している。
• 画像1では、再帰と文脈情報の統合により、分類品質および非再帰領域の精度が顕著に向上した。
• 画像2では、クラス境界が効果的に再帰され、全体的およびクラス固有の再帰品質が高くなった。
• 画像3では、ノイズの多い学習データが原因で、クラス境界の過剰な再帰が生じ、文脈情報のみのベースラインモデルよりも分類品質が低下した。