[論文レビュー] Unsupervised Segmentation of Overlapping Cervical Cell Cytoplasm

S L Happy, Swarnadip Chatterjee+1 more|arXiv (Cornell University)|May 21, 2015

Image Processing Techniques and Applications参考文献 4被引用数 5

ひとこと要約

本稿では、拡張焦点深度（EDF）画像とクラス重みを適用した変更版Otsuしきい値法を用いて核を検出した後、核の数に基づいてレベルセット法を用いた細胞質セグメンテーションを行う、教師なし手法を提案する。この手法は、手動によるアノテーションを一切不要とし、細胞の重なりや低コントラストな細胞質に起因する課題に対処し、高精度なセグメンテーションを実現する。

ABSTRACT

Overlapping of cervical cells and poor contrast of cell cytoplasm are the major issues in accurate detection and segmentation of cervical cells. An unsupervised cell segmentation approach is presented here. Cell clump segmentation was carried out using the extended depth of field (EDF) image created from the images of different focal planes. A modified Otsu method with prior class weights is proposed for accurate segmentation of nuclei from the cell clumps. The cell cytoplasm was further segmented from cell clump depending upon the number of nucleus detected in that cell clump. Level set model was used for cytoplasm segmentation.

研究の動機と目的

• 自動細胞セグメンテーションにおける細胞の重なりや低コントラストな細胞質の課題に対処すること。
• 手動アノテーションや正解データを一切必要としない教師なしセグメンテーションフレームワークの構築。
• 拡張焦点深度（EDF）画像を活用することで、細胞クランプの可視化を向上させ、セグメンテーション精度を向上させること。
• 各クランプあたりの核の数に基づいて、細胞質を細胞クランプから分離すること。
• 核セグメンテーション後に、正確な細胞質境界抽出を実現するためのレベルセットモデルの適用。

提案手法

• 拡張焦点深度（EDF）イメージングにより、複数の焦点面画像を統合し、細胞クランプ全体が明確に焦点が合った1枚の画像を生成する。
• 事前クラス重みを適用した変更版Otsu法を用いて、低コントラスト下でも正確な核セグメンテーションを実現する。
• 各細胞クランプ内で検出された核の数に応じて、細胞質セグメンテーション戦略を決定する。
• アクティブな輪郭を進化させるためにレベルセットモデルを用い、正確な細胞質境界抽出を実現する。
• 本手法は完全に教師なしに動作し、画像強度と空間的構造のみに依存する。
• セグメンテーションパイプラインには、正解データやユーザー定義パラメータが一切不要である。

実験結果

リサーチクエスチョン

• RQ1 手動アノテーションなしで、重なり合う頸部細胞の細胞質を正確にセグメンテーションできるか？
• RQ2 EDFイメージングは、後続のセグメンテーションに向けた細胞クランプの可視性向上にどの程度効果的か？
• RQ3 クラス重みを適用した変更版Otsu法は、低コントラスト状態下での核セグメンテーション性能を向上させられるか？
• RQ4 クランプあたりの核の数を用いることで、重なり領域における信頼性の高い細胞質セグメンテーションが可能か？
• RQ5 核が既にセグメンテーションされた状態で、レベルセットモデルが正確に細胞質境界を抽出できるか？

主な発見

• 提案手法は、EDF画像と教師なし技術のみを用いて、重なり合う頸部細胞の細胞質を高精度にセグメンテーションできる。
• クラス重みを適用した変更版Otsu法により、低コントラストな細胞質領域における核セグメンテーション性能が向上した。
• EDF統合により細胞クランプが効果的にセグメンテーションされ、重なり構造の可視化が明確になった。
• 各クランプあたりの核の数に基づく戦略により、個々の細胞の選択的セグメンテーションが可能となった。
• レベルセットモデルは、密に重なり合う領域でさえも、複雑な細胞質境界を的確に捉えることに成功した。
• パイプライン全体が正解データやユーザー定義パラメータを一切必要とせず、教師なし環境下でも高い頑健性を示した。