[論文レビュー] Using Convolutional Neural Networks for Determining Reticulocyte Percentage in Cats

Krunoslav Vinicki, Pierluigi Ferrari+2 more|arXiv (Cornell University)|Mar 13, 2018

Cell Image Analysis TechniquesBiochemistry, Genetics and Molecular Biology参考文献 6被引用数 19

ひとこと要約

この論文では、Kerasで実装された事前学習済みのシングルショットマルチボックス検出器（SSD）を用いた深層学習手法を提案し、ネコの血液塗抹標本画像における網状赤血球の自動計数を実現している。わずか800枚のラベル付き画像で学習させたモデルは、網状赤血球の数を予測する際、98.7％の正確性を達成しており、限られたデータでもアクセス可能で高精度なAIソリューションが獣医学分野でも実現可能であることを示している。

ABSTRACT

Recent advances in artificial intelligence (AI), specifically in computer vision (CV) and deep learning (DL), have created opportunities for novel systems in many fields. In the last few years, deep learning applications have demonstrated impressive results not only in fields such as autonomous driving and robotics, but also in the field of medicine, where they have, in some cases, even exceeded human-level performance. However, despite the huge potential, adoption of deep learning-based methods is still slow in many areas, especially in veterinary medicine, where we haven't been able to find any research papers using modern convolutional neural networks (CNNs) in medical image processing. We believe that using deep learning-based medical imaging can enable more accurate, faster and less expensive diagnoses in veterinary medicine. In order to do so, however, these methods have to be accessible to everyone in this field, not just to computer scientists. To show the potential of this technology, we present results on a real-world task in veterinary medicine that is usually done manually: feline reticulocyte percentage. Using an open source Keras implementation of the Single-Shot MultiBox Detector (SSD) model architecture and training it on only 800 labeled images, we achieve an accuracy of 98.7% at predicting the correct number of aggregate reticulocytes in microscope images of cat blood smears. The main motivation behind this paper is to show not only that deep learning can approach or even exceed human-level performance on a task like this, but also that anyone in the field can implement it, even without a background in computer science.

研究の動機と目的

• ネコの血液塗抹標本における網状赤血球の自動計数を、アクセスしやすく深層学習に基づいた手法で開発すること。
• 獣医学的画像診断分野において、最小限のラベル付きデータでも高精度な結果を達成できるかを実証すること。
• Kerasなどのオープンソースツールを活用することで、コンピュータサイエンティストでない獣医学分野の研究者にとっての導入障壁を低減すること。
• 深層学習が実世界の獣医学的診断タスクにおいて、人間の水準に達するか、それを上回る性能を示せるかを検証すること。
• 限定的な計算リソースとデータ要件で実現可能なアプローチを示すことで、獣医学分野におけるAIの広範な導入を促進すること。

提案手法

• 著者らは、物体検出に用いるオープンソースのKeras実装されたシングルショットマルチボックス検出器（SSD）アーキテクチャを用いた。
• モデルは、網状赤血球を含むネコの血液塗抹標本の顕微鏡画像800枚からなるデータセット上で微調整された。
• 網状赤血球は、各細胞を局所化するためのバウンディングボックスを用いて、検出・数える対象として扱った。
• 小規模なデータセットでも一般化性能を向上させるために、トランスファーラーニングとデータオーグメンテーションを訓練プロセスで採用した。
• モデルの評価には、ホールドアウトされたテストセットを用いた標準的な分類精度指標が用いられた。
• 高度なコンピュータサイエンスの知識がなくても利用可能なように、再現性の高い実装が設計された。

実験結果

リサーチクエスチョン

• RQ1 わずか800枚のラベル付き画像で学習した深層学習モデルが、ネコの血液塗抹標本における網状赤血球の数を高い正確性で予測できるか？
• RQ2 限られたデータで、事前学習済みのSSDモデルが獣医学的画像診断タスクに効果的に微調整可能か？
• RQ3 獣医学分野の非コンピュータサイエンティストが、オープンソースツールを用いてこのようなモデルを実装・利用できるか？
• RQ4 このモデルの性能が、網状赤血球の数え上げにおいて人間の水準を超えるか、それと同等か？
• RQ5 このアプローチが、臨床現場における手作業による網状赤血球の数え方のスケーラブルで低コストな代替手段として実現可能か？

主な発見

• モデルは、血液塗抹標本画像における網状赤血球の総数を正しく予測するテスト精度が98.7％に達した。
• わずか800枚のラベル付き画像で学習させたにもかかわらず、高い信頼性を示しており、限られたデータでも強力な一般化性能を発揮することがうかがえる。
• トランスファーラーニングとKerasベースのSSDフレームワークの活用により、膨大な計算リソースを要せず効果的な学習が可能になった。
• 結果から、深層学習モデルが獣医学的網状赤血球計数タスクにおいて、人間の水準に達するか、それを上回る性能を発揮できる可能性が示された。
• 著者らがオープンソースツールと最小限の技術的要件を強調することで、非専門家にとっても利用可能な実装が実現されている。
• 本研究は、最小限のデータと技術的障壁でAIを獣医学的診断に統合するための実現可能な道筋を提示している。