[論文レビュー] Joint Cell Nuclei Detection and Segmentation in Microscopy Images Using 3D Convolutional Networks

Sundaresh Ram, Vicky T. Nguyen+2 more|arXiv (Cornell University)|May 8, 2018

AI in cancer detection参考文献 12被引用数 6

ひとこと要約

本論文では、まず細胞体をセグメンテーションし、その後でその中心を特定することで、共焦点顕微鏡画像における細胞核の同時検出とセグメンテーションを実現する3次元畳み込みニューラルネットワークを提案する。マウス唾液腺データセット上でエンド・トゥ・エンドに訓練された本手法は、最先端の手法と比較して優れた検出精度およびセグメンテーション精度を達成しており、テスト時ドロップアウトを用いた予測精度との相関関係を示す不確実性推定も併せ持つ。

ABSTRACT

We propose a 3D convolutional neural network to simultaneously segment and detect cell nuclei in confocal microscopy images. Mirroring the co-dependency of these tasks, our proposed model consists of two serial components: the first part computes a segmentation of cell bodies, while the second module identifies the centers of these cells. Our model is trained end-to-end from scratch on a mouse parotid salivary gland stem cell nuclei dataset comprising 107 image stacks from three independent cell preparations, each containing several hundred individual cell nuclei in 3D. In our experiments, we conduct a thorough evaluation of both detection accuracy and segmentation quality, on two different datasets. The results show that the proposed method provides significantly improved detection and segmentation accuracy compared to state-of-the-art and benchmark algorithms. Finally, we use a previously described test-time drop-out strategy to obtain uncertainty estimates on our predictions and validate these estimates by demonstrating that they are strongly correlated with accuracy.

研究の動機と目的

• 3次元共焦点顕微鏡画像における細胞核の検出とセグメンテーションの相乗的性を解決すること。
• 既存の手法よりも高精度に両タスクを同時に実行できる統合型ディープラーニングフレームワークの開発。
• マウス副唾液腺幹細胞核の3次元データセットから、エンド・トゥ・エンドでスクラッチから訓練する。
• 検出とセグメンテーションの両方の品質を、2つの異なるデータセットで評価する。
• テスト時ドロップアウトを用いて不確実性推定を統合し、その推定値と予測精度の相関関係を検証する。

提案手法

• モデルは2段階の3次元U-Netに類似したアーキテクチャを採用：第1段階は細胞核の3次元セマンティックセグメンテーションを実行する。
• 第2段階では、セグメンテーション特徴量から中心点を予測する回帰ヘッドを用いて細胞中心を検出する。
• セグメンテーションと中心検出の両目的を最適化する統合損失関数を用いて、エンド・トゥ・エンドでネットワークを訓練する。
• 予測の不確実性推定を得るために、テスト時ドロップアウトを適用する。
• 不確実性推定値が実際の予測精度と強い相関関係を示すことを実証することで、その妥当性を検証する。
• モデルは、各3次元核が数百個含まれる3つの独立した調製物からなる107枚の画像スタックで訓練された。

実験結果

リサーチクエスチョン

• RQ1 1つの3次元畳み込みネットワークが、共焦点顕微鏡画像における細胞核の同時検出とセグメンテーションを効果的に行えるか？
• RQ2 本手法のエンド・トゥ・エンド訓練戦略は、従来の2段階または分離型アプローチと比較して、検出精度およびセグメンテーション精度において優れているか？
• RQ3 テスト時ドロップアウトは、細胞核解析における予測信頼性と相関する意味のある不確実性推定値を提供できるか？
• RQ4 本モデルは、撮影条件や細胞密度が異なるさまざまなデータセットに一般化して適応できるか？
• RQ5 特に直列に配置されたセグメンテーションと中心検出のアーキテクチャ設計が、全体の性能に与える影響は何か？

主な発見

• 本手法は、2つの独立したデータセットにおいて、最先端およびベンチマークアルゴリズムと比較して顕著に高い検出精度およびセグメンテーション精度を達成した。
• テスト時ドロップアウトを用いて得られた不確実性推定値は、実際の予測精度と強く相関しており、その信頼性が裏付けられた。
• マウス副唾液腺核の3次元データセットからスクラッチでエンド・トゥ・エンドに訓練することで、事前学習なしでも頑健な性能が得られた。
• 統合アーキテクチャは検出とセグメンテーションの相乗的性を効果的に捉えており、分離型アプローチよりもより高精度な結果をもたらした。
• 異なる画像スタックや生物学的調製物にわたって、本モデルは一貫した性能を示し、多様な3次元顕微鏡データに良好に一般化した。