[論文レビュー] Image Segmentation to Distinguish Between Overlapping Human Chromosomes

Rihan Hu, Jeremy Karnowski+2 more|arXiv (Cornell University)|Dec 20, 2017

Genomic variations and chromosomal abnormalities参考文献 17被引用数 20

ひとこと要約

本稿では、顕微鏡画像における重複するヒト染色体の自動セグメンテーションを目的としたカスタマイズ型U-Netベースの畳み込みニューラルネットワークを提案する。最適化されたアーキテクチャとハイパーパrameterを用いた画素単位分類により、重複領域では94.7%のインターセクションオーバーユニオン（IoU）、非重複領域では88–94%のIoUを達成し、従来の手動およびルールベース手法に比べ顕著な向上を示した。

ABSTRACT

In medicine, visualizing chromosomes is important for medical diagnostics, drug development, and biomedical research. Unfortunately, chromosomes often overlap and it is necessary to identify and distinguish between the overlapping chromosomes. A segmentation solution that is fast and automated will enable scaling of cost effective medicine and biomedical research. We apply neural network-based image segmentation to the problem of distinguishing between partially overlapping DNA chromosomes. A convolutional neural network is customized for this problem. The results achieved intersection over union (IOU) scores of 94.7% for the overlapping region and 88-94% on the non-overlapping chromosome regions.

研究の動機と目的

• 顕微鏡画像における重複するヒト染色体のセグメンテーションを自動化し、手動またはヒューリスティックな手法への依存を低減すること。
• 細胞遺伝学的解析において、ほぼ同一で部分的に重複する染色体を区別する課題に対処すること。
• 生物学的・臨床的応用のための迅速かつ高精度でスケーラブルなディープラーニングソリューションを開発すること。
• しきい値処理、輪郭解析、手動カットといった従来の手法に比べ、ニューラルネットワークを活用して性能を向上させること。

提案手法

• 入力画像が小さい（88×88ピクセル）ため、深さをほぼ1/3に削減したカスタマイズ型U-Netアーキテクチャを採用。
• モデルは画素単位のセグメンテーションラベル（0：バックグラウンド、1：染色体1、2：染色体2、3：重複領域）を予測するように学習する。
• 入力画像は、プーリング層の入力に適するよう、誤ったラベルの修正と88×88ピクセルへのクロッピングを施して前処理を行う。
• ネットワークは'同じ'パディングを用い、ネットワーク内でのクロッピングを回避することで空間解像度を保持する。
• 損失関数、活性化関数、クラスウェイト、ラベルエンコーディング戦略（整数 vs. one-hot）のさまざまなハイパーパrameterをテストした。
• データセット全体13,000枚のグレースケール染色体画像（正解セグメンテーションマップ付）のうち、64%を訓練、16%を検証、20%をテストに使用してモデルを学習した。

実験結果

リサーチクエスチョン

• RQ1 人為的介入なしに、重複するヒト染色体の高精度なセグメンテーションを達成できるか？
• RQ2 モデルの性能は、重複領域と非重複領域でどのように変動するか？
• RQ3 小さな構造的画像（染色体対など）において、計算負荷を低減しつつも高い性能を維持できるアーキテクチャの簡略化は何か？
• RQ4 この低次元で類似性の高い文脈において、異なる損失関数やラベルエンコーディング戦略がセグメンテーション精度に与える影響は何か？
• RQ5 今後の応用において、2つ以上の重複染色体や単一染色体の処理に対応できるようにモデルを拡張可能か？

主な発見

• 重複領域では、インターセクションオーバーユニオン（IoU）スコアが94.7%に達し、共有ピクセルを効果的に区別できることを示した。
• 非重複領域のIoUスコアは、1つの染色体で88.2%、もう1つの染色体で94.4%であり、個々の染色体領域の高精度なセグメンテーションを示した。
• ヒストограмしきい値処理、幾何的輪郭解析、手動カットといった従来手法に比べ、モデルは誤差が多くて作業が煩雑である点を改善した。
• 簡略化されたU-Netアーキテクチャの採用により、染色体の入力サイズが小さく、形状の変動が限られていることから、計算負荷を低減しつつも高い精度を維持できた。
• 一般化性能とモデルのロバスト性をさらに高めるために、回転、反転、伸縮などのデータ拡張が推奨される。
• 最初に染色体を局所化し、その後にセグメンテーションを行うことで、フル顕微鏡画像を処理するパイプラインにモデルを統合可能である。