[論文レビュー] MOSQUITO-NET: A deep learning based CADx system for malaria diagnosis along with model interpretation using GradCam and class activation maps

Aayush Kumar, Sanat B Singh+2 more|arXiv (Cornell University)|Jun 17, 2020

Digital Imaging for Blood Diseases被引用数 7

ひとこと要約

MOSQUITO-NET は、赤血球のマラリア感染状態を顕微鏡画像から高精度かつ低計算コストで分類する、独自の畳み込みニューラルネットワーク（ConvNet）アーキテクチャを用いた軽量な深層学習ベースのCADxシステムです。エッジデバイスおよびモバイルデバイスへのデプロイを可能にし、Grad-CAMおよびクラス活性化マップを統合してモデルの解釈性を高め、自動診断における臨床的信頼性を向上させます。

ABSTRACT

Malaria is considered one of the deadliest diseases in today world which causes thousands of deaths per year. The parasites responsible for malaria are scientifically known as Plasmodium which infects the red blood cells in human beings. The parasites are transmitted by a female class of mosquitos known as Anopheles. The diagnosis of malaria requires identification and manual counting of parasitized cells by medical practitioners in microscopic blood smears. Due to the unavailability of resources, its diagnostic accuracy is largely affected by large scale screening. State of the art Computer-aided diagnostic techniques based on deep learning algorithms such as CNNs, with end to end feature extraction and classification, have widely contributed to various image recognition tasks. In this paper, we evaluate the performance of custom made convnet Mosquito-Net, to classify the infected and uninfected cells for malaria diagnosis which could be deployed on the edge and mobile devices owing to its fewer parameters and less computation power. Therefore, it can be wildly preferred for diagnosis in remote and countryside areas where there is a lack of medical facilities.

研究の動機と目的

• 医療インfraが限られた地域における正確でアクセス可能なマラリア診断の課題に対処する。
• パラメータ数が少なく、推論コストが低いことから、モバイルおよびエッジデバイスへのデプロイに適した計算効率の高い深層学習モデルを開発する。
• Grad-CAM やクラス活性化マップなどの解釈性技術を統合することで、診断の信頼性を向上させる。
• ギムザ染色による末梢血塗抹標本画像におけるプラズモディウム感染赤血球の自動検出を高精度で実現する。
• 手作業による顕微鏡検査や専門家による労働に依存しないようにすることで、地方および農村部での大規模スクリーニングを支援する。

提案手法

• エッジデバイスへのデプロイに適した、パラメータ数が少なく計算複雑性が低い独自の畳み込みニューラルネットワーク（ConvNet）アーキテクチャ「MOSQUITO-NET」を提案する。
• ギムザ染色血塗抹標本の顕微鏡画像データセットを用いて、モデルをエンドツーエンドで学習させ、細胞を感染済みまたは非感染として分類する。
• 予測に影響を与えた画像領域を強調するため、Grad-CAM（勾配クラス活性化マッピング）を用いてヒートマップを生成する。
• クラス活性化マップを適用して、分類意思決定に最も寄与した画像の特徴領域を可視化する。
• 推論速度とモデルサイズを最適化することで、モバイルおよび低消費電力デバイスとの互換性を確保する。
• 一般化性能と限られた訓練データにおける性能を向上させるために、トランスファー学習およびデータオーグメンテーション技術を活用する。

実験結果

リサーチクエスチョン

• RQ1 軽量な深層学習モデルは、モバイルおよびエッジデバイスへのデプロイが可能である一方で、マラリア検出において高い診断精度を達成できるか？
• RQ2 Grad-CAMおよびクラス活性化マップは、マラリア診断モデルの意思決定プロセスを可視化・解釈するためにどの程度効果的か？
• RQ3 モデルの解釈性は、臨床医の信頼性および自動化されたマラリア診断システムの信頼性をどの程度向上させるか？
• RQ4 MOSQUITO-NETの性能は、精度、推論速度、モデルサイズの観点から、既存の最先端モデルと比較してどの程度か？
• RQ5 解釈性ツールの統合は、低資源環境における深層学習ベースのCADxシステムの透明性および臨床的有用性を向上させることができるか？

主な発見

• MOSQUITO-NET は、マラリア感染赤血球と非感染赤血球のベンチマークデータセットで高い分類精度を達成し、大規模モデルと同等の強力な性能を示している。
• モデルの軽量なアーキテクチャにより、モバイルおよびエッジデバイスで効率的な推論が可能となり、遠隔地や低資源の臨床現場へのデプロイに適している。
• Grad-CAMおよびクラス活性化マップは、赤血球内の寄生虫感染領域を効果的に強調しており、モデル予測の視覚的根拠を提供し、解釈性を向上させている。
• 解釈性ツールの統合により透明性が向上し、臨床医がモデルの意思決定を検証し、自動診断に信頼を寄せられるようになっている。
• 未学習データに対しても強固な一般化性能を示しており、大規模スクリーニングプログラムにおける実世界応用の可能性を示している。
• 手作業による顕微鏡検査への依存度を低減し、エンドミック地域における早期かつ正確なマラリア診断のスケーラブルなソリューションを提供している。