[論文レビュー] Plasmodium Detection Using Simple CNN and Clustered GLCM Features

Julisa Bana Abraham|ArXiv.org|Sep 28, 2019

Digital Imaging for Blood Diseases参考文献 6被引用数 7

ひとこと要約

本稿では、薄血塗めん画像における自動マラリア原虫（Plasmodium）検出のため、深層学習と手作業特徴抽出を組み合わせたハイブリッド手法を提案する。初期分類には単純な畳み込みニューラルネットワーク（CNN）を用い、領域としての注目（ROI）パッチにクラスタリングされたグレイレベル同時出現行列（GLCM）特徴を適用することで誤検出を低減し、97%の感度と81%の陽性予測値（PPV）を達成した。

ABSTRACT

Malaria is a serious disease caused by the Plasmodium parasite that transmitted through the bite of a female Anopheles mosquito and invades human erythrocytes. Malaria must be recognized precisely in order to treat the patient in time and to prevent further spread of infection. The standard diagnostic technique using microscopic examination is inefficient, the quality of the diagnosis depends on the quality of blood smears and experience of microscopists in classifying and counting infected and non-infected cells. Convolutional Neural Networks (CNN) is one of deep learning class that able to automate feature engineering and learn effective features that could be very effective in diagnosing malaria. This study proposes an intelligent system based on simple CNN for detecting malaria parasites through images of thin blood smears. The CNN model obtained high sensitivity of 97% and relatively high PPV of 81%. This study also proposes a false positive reduction method using feature clustering extracted from the gray level co-occurrence matrix (GLCM) from the Region of Interests (ROIs). Adding the GLCM feature can significantly reduce false positives. However, this technique requires manual set up of silhouette and euclidean distance limits to ensure cluster quality, so it does not adversely affect sensitivity.

研究の動機と目的

• 薄血塗めん画像におけるマラリア原虫（Plasmodium）の検出を自動化するシステムを開発し、診断の効率性と正確性を向上させること。
• 主観的で熟練経験に依存する手作業の顕微鏡的診断の限界を是正すること。
• ROIsからの手作業特徴抽出によるテクスチャ特徴を用いて、マラリア検出における誤検出率を低減すること。
• 複雑なモデルアーキテクチャを用いずに、単純なCNNとクラスタリングされたGLCM特徴を統合することで、診断性能を向上させること。
• GLCM特徴のクラスタリングが、現実の診断環境における感度と陽性予測値（PPV）に与える影響を評価すること。

提案手法

• 全血塗めん画像を用いて単純な畳み込みニューラルネットワーク（CNN）を訓練し、感染あり／なしの分類を実行する。
• 注目領域（ROI）は、注目度またはセグメンテーションに基づいて画像から抽出され、原虫を含む可能性のある領域に焦点を当てる。
• 各ROIからグレイレベル同時出現行列（GLCM）特徴を計算し、原虫感染を示すテクスチャパターンを捉える。
• 類似したテクスチャパターンをグループ化し、誤検出を特定するために、シルエットおよびユークリッド距離の指標を用いてGLCM特徴をクラスタリングする。
• クラスタの品質を維持しつつ感度を高めるために、シルエットおよびユークリッド距離の閾値を手動で調整する。
• 最終的な検出システムは、CNNの予測結果とクラスタリングされたGLCM特徴を統合し、分類を精緻化し、PPVを向上させる。

実験結果

リサーチクエスチョン

• RQ1 単純なCNNモデルは、薄血塗めん画像におけるマラリア原虫の検出において高い感度を達成できるか？
• RQ2 手作業特徴抽出によるGLCMテクスチャ特徴は、マラリア検出における誤検出率をどの程度低減できるか？
• RQ3 GLCM特徴のクラスタリングは、感度と陽性予測値（PPV）のバランスにどのように影響を与えるか？
• RQ4 感度を損なわせずに、GLCM特徴のクラスタリングにおけるシルエットおよびユークリッド距離の閾値の最適な設定は何か？
• RQ5 CNNとクラスタリングされたGLCM特徴の統合は、単独のCNNに比べて診断の正確性と頑健性を向上させられるか？

主な発見

• 提案されたCNNモデルは97%の感度を達成し、感染細胞を検出する強力な能力を示した。
• CNNモデル単体の陽性予測値（PPV）は81%であり、感染症例の分類において中程度の精度を示した。
• クラスタリングされたGLCM特徴の統合により、誤検出数が顕著に低減されたが、感度に悪影響は与えなかった。
• 誤検出低減手法には、クラスタ品質を維持するためのシルエットおよびユークリッド距離の閾値の手動チューニングが必要であった。
• CNNとクラスタリングされたGLCM特徴の組み合わせにより、感染を模倣する非原虫構造をフィルタリングし、診断の信頼性が向上した。
• 本システムは、感度とPPVの実用的なトレードオフを示しており、低資源診断環境への導入に適している。