[論文レビュー] Improving Malaria Parasite Detection from Red Blood Cell using Deep Convolutional Neural Networks

Aimon Rahman, Hasib Zunair+6 more|arXiv (Cornell University)|Jul 23, 2019

Digital Imaging for Blood Diseases参考文献 43被引用数 69

ひとこと要約

この論文は、セグメント化された赤血球パッチからマラリア寄生虫を検出するエンドツーエンドの深層CNNアプローチを提案し、NIH Malaria Datasetで97.77%の精度を達成した。

ABSTRACT

Malaria is a female anopheles mosquito-bite inflicted life-threatening disease which is considered endemic in many parts of the world. This article focuses on improving malaria detection from patches segmented from microscopic images of red blood cell smears by introducing a deep convolutional neural network. Compared to the traditional methods that use tedious hand engineering feature extraction, the proposed method uses deep learning in an end-to-end arrangement that performs both feature extraction and classification directly from the raw segmented patches of the red blood smears. The dataset used in this study was taken from National Institute of Health named NIH Malaria Dataset. The evaluation metric accuracy and loss along with 5-fold cross validation was used to compare and select the best performing architecture. To maximize the performance, existing standard pre-processing techniques from the literature has also been experimented. In addition, several other complex architectures have been implemented and tested to pick the best performing model. A holdout test has also been conducted to verify how well the proposed model generalizes on unseen data. Our best model achieves an accuracy of almost 97.77%.

研究の動機と目的

• 手作業で設計した特徴抽出を廃し、セグメント化されたRBCパッチからのマラリア検出のためのエンドツーエンド深層学習モデルを採用する。
• 最も高性能なモデルを特定するため、複数の深層CNNアーキテクチャを評価する。
• モデル性能に対する標準的な前処理技術の影響を評価する。
• 5分割クロスバリデーションに加え、ホールドアウトテストを用いて汎化性を検証する。

提案手法

• エンドツーエンドCNNは、赤血球塗抹の生のセグメント化パッチに直接訓練される。
• 複数のCNNアーキテクチャを実装し、最高性能のモデルを選択するためにテストする。
• 文献にある標準的な前処理技術を用いて性能を最大化することを試験する。
• 5分割クロスバリデーションの下で、精度と損失指標を用いて性能を評価する。
• 未知データへの汎化を評価するためにホールドアウトテストを用いる。
• 使用データセットはNIH Malaria Datasetである。

実験結果

リサーチクエスチョン

• RQ1 従来の特徴量ベース手法と比較して、深層CNNはセグメント化されたRBCパッチからのマラリア寄生虫検出を改善できるか？
• RQ2 このタスクにおいて、NIH Malaria Datasetで最高の性能を発揮するCNNアーキテクチャはどれか？
• RQ3 標準的な前処理手順がモデル性能に与える影響は何か？
• RQ4 提案モデルは、ホールドアウトテストによって示されるように未知データへ良く汎化できるか？

主な発見

• 最良モデルは97.77%の精度を達成する。
• モデル評価は5分割クロスバリデーションによる精度と損失を用いて最高のアーキテクチャを選択した。
• 文献にある前処理技術を用いて性能を最大化することを検証した。
• 未知データへの汎化性を検証するためにホールドアウトテストを実施した。
• NIH Malaria Datasetを評価に使用した。
• 複数の深層アーキテクチャを実装・比較して、トップパフォーマーを特定した。