[論文レビュー] Malaria Detection and Classificaiton

Ruskin Raj Manku, Ayush Sharma+1 more|arXiv (Cornell University)|Nov 29, 2020

Digital Imaging for Blood Diseases参考文献 11被引用数 7

ひとこと要約

本稿では、薄血塗抹画像を用いたマラリアの検出および分類のための2段階のディープラーニングフレームワークを提案する。感染細胞の検出にはFaster R-CNNを、段階分類には微調整されたResNet-50と4層の分類器を組み合わせた。公開済みの現地染色画像データセット上で82%の精度を達成し、低資源環境における今後の研究のベンチマークを確立した。

ABSTRACT

Malaria is a disease of global concern according to the World Health Organization. Billions of people in the world are at risk of Malaria today. Microscopy is considered the gold standard for Malaria diagnosis. Microscopic assessment of blood samples requires the need of trained professionals who at times are not available in rural areas where Malaria is a problem. Full automation of Malaria diagnosis is a challenging task. In this work, we put forward a framework for diagnosis of malaria. We adopt a two layer approach, where we detect infected cells using a Faster-RCNN in the first layer, crop them out, and feed the cropped cells to a seperate neural network for classification. The proposed methodology was tested on an openly available dataset, this will serve as a baseline for the future methods as currently there is no common dataset on which results are reported for Malaria Diagnosis.

研究の動機と目的

• 低所得地域で熟練病理医が不足している状況に適した、自動化され、現地で利用可能なマラリア診断システムの開発。
• 公平なマラリア検出手法の比較が可能な標準化された、公開可能なデータセットの欠如に対処する。
• 検出と分類を2つの専門的段階に分離することで、RoIプーリングによる特徴損失を低減し、分類精度を向上させる。
• 高品質なギムザ染色画像だけでなく、現実の応用に適した安価な現地染色血塗抹画像を用いてモデルを検証する。
• オープンに利用可能なデータセットを用いて再現可能なベースラインを提供し、今後の手法開発および評価を支援する。

提案手法

• 2段階の手法を採用する：まず、Faster R-CNNを用いて、『感染』（リング、トロホゾイト、シュイゾン、ガマエトサイトの各段階を含む）として分類し、領域提案を生成することで、感染赤血球（RBC）を検出する。
• 検出された感染領域を切り取り、固定サイズにリサイズすることで、エンドツーエンドのFaster R-CNNにおけるRoIプーリングによる情報損失を避ける。
• 切り取り済みの感染細胞画像を、事前に学習済みのResNet-50モデルに通して、2048次元の特徴ベクトルを抽出する。
• これらの特徴ベクトルを、4層の全結合ニューラルネットワークに供給し、4つのマラリア原虫段階（リング、トロホゾイト、シュイゾン、ガマエトサイト）への段階分類を実行する。
• 各クラスに140枚の画像（合計560枚）を用いてデータセットをバランスさせ、90%を訓練用、10%をテスト用に割り当て、バランスの取れた評価を確保する。
• モデルは、ギムザ染色の代替として安価な現地染色を用いた、薄血塗抹画像の公開データセット上で学習された。

実験結果

リサーチクエスチョン

• RQ1 2段階のディープラーニングパイプラインは、画像特徴を保持しつつ、1段階のFaster R-CNNよりもマラリア原虫段階の分類性能を向上させることができるか？
• RQ2 検出および分類精度の観点から、現地染色血塗抹画像の性能は、高品質なギムザ染色画像と比べてどうか？
• RQ3 公開可能な、現地に適したデータセットが、今後のマラリア診断モデルの信頼できるベンチマークとして機能できるか？
• RQ4 検出と分類を分離することで、RoIプーリングによる特徴損失が低減され、分類精度が向上するか？
• RQ5 低資源、現地レベルの診断環境に実用的に導入するためには、どの程度の精度、再現率、適合率が求められるか？

主な発見

• 2段階アプローチは、テストセットで全体の正解率82%を達成し、マクロF1スコアは0.82、加重F1スコアも0.82であった。
• 検出フェーズでは、平均平均精度（mAP）が0.832、再現率が0.69を示し、感染細胞の同定において優れた性能を発揮した。
• 分類モデルは高い適合率と再現率を示した：リング段階で0.91、シュイゾンで0.87、ガマエトサイトで0.80、トロホゾイトで0.73であった。
• 直接的に原虫段階を分類する1段階のFaster R-CNNと比較したところ、2段階手法は顕著に優れた結果を示し、mAPが0.4から0.832に向上した。
• 本研究では、現地染色された薄血塗抹画像を用いたマラリア診断のための、初めての公開可能なベンチマークデータセットを確立した。
• モデルは、低所得地域で一般的な現地染色画像に対しても頑健であることが示され、実際の診断現場での実用的価値を有している。