[論文レビュー] Using Deep Learning for Segmentation and Counting within Microscopy Data

Carlos X. Hernández, Mohammad M. Sultan+1 more|arXiv (Cornell University)|Feb 28, 2018

Cell Image Analysis Techniques参考文献 16被引用数 30

ひとこと要約

本論文では、特徴マップピラミッドネットワーク（FPN）とVGGスタイルのバックボーンを組み合わせた2段階のディープラーニング手法を提案し、顕微鏡画像における細胞のセグメンテーションとカウントを実現する。アレアトリック損失を用いた不確実性推定により、信頼性の高い予測と信頼区間を提供することで、失敗事例の特定が可能となり、正確な細胞数の推定が達成される。

ABSTRACT

Cell counting is a ubiquitous, yet tedious task that would greatly benefit from automation. From basic biological questions to clinical trials, cell counts provide key quantitative feedback that drive research. Unfortunately, cell counting is most commonly a manual task and can be time-intensive. The task is made even more difficult due to overlapping cells, existence of multiple focal planes, and poor imaging quality, among other factors. Here, we describe a convolutional neural network approach, using a recently described feature pyramid network combined with a VGG-style neural network, for segmenting and subsequent counting of cells in a given microscopy image.

研究の動機と目的

• 顕微鏡画像における細胞の手作業によるカウント作業の時間的・人的負担を軽減すること。
• 既存ツールの限界（高コスト、クローズドソース、不確実性の定量的評価の欠如）を是正すること。
• 細胞数の予測に加え、信頼区間を提供するモデルの開発により、科学的信頼性を向上させること。
• モデルの解釈可能性と失敗事例の特定を通じて、将来のデータ収集とモデル改善の指針を得ること。
• オープンソースのコード提供とモバイルまたはWebアプリケーションへの統合可能性を考慮し、広範な科学的利用を可能にすること。

提案手法

• 入力された顕微鏡画像からマルチスケールの特徴マップを生成するため、特徴マップピラミッドネットワーク（FPN）を用いることでセグメンテーション性能を向上させる。
• FPNアーキテクチャにおける特徴抽出のため、VGGスタイルの畳み込みニューラルネットワークをバックボーンとして採用する。
• アノテート済みの細胞マスクに対してバイナリクロスエントロピー損失を用いて、前景マスクの予測を訓練する。
• アレアトリック不確実性を推定するため、学習可能な不確実性パラメータσを含むようにL²損失関数を変更し、予測の信頼区間を可能にする。
• 不確実性に配慮したモデルを用いて、真値が予測された許容区間外にある失敗事例を検出する。
• クロップされた画像パッチからのアンサンブル予測を適用し、密度マップ手法のインスパイアを受けて、細胞密度の堅牢な推定を実現する。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングモデルは、最小限の人的介入で顕微鏡画像における正確で信頼性の高い細胞セグメンテーションとカウントを達成できるか？
• RQ2 アレアトリック損失による不確実性の定量的評価は、モデルの信頼性を向上させるとともに、細胞カウントにおける失敗事例の特定をどのように支援するか？
• RQ3 モデルの性能は、重なった細胞やボケた画像のような困難なケースにおいて、トレーニングデータの品質にどの程度依存しているか？
• RQ4 モデルの性能は人間の専門家と比較してどうか？また、より良いまたは多様なトレーニングデータを用いることで性能向上が図れるか？
• RQ5 不確実性推定の統合は、統計的パワーを向上させ、より良い生物学的仮説の立案を支援できるか？

主な発見

• 提案されたFPNベースのモデルは、BBBC005ベンチマークデータセットにおいて、高い正確性で信頼性の高い細胞セグメンテーションとカウントを達成した。
• アレアトリック不確実性推定を組み込むことで、真値が予測された信頼区間外にある失敗事例をモデルが特定できるようになった。
• モデルの不確実性予測は、データギャップの洞察を提供し、特に重なった細胞やボケた画像に対する追加のトレーニング例（特にフォアグラウンドマスク）の必要性を浮き彫りにした。
• 重なった細胞や画像品質が悪いケースでは依然として失敗事例が継続しており、特にBBBC005データセットにボケた画像のフォアグラウンドマスクが欠落していることから、現在のトレーニングデータの限界が示された。
• モデルの性能はデータ品質に敏感であり、今後の改善は、より多様または現実的であるトレーニングデータ（例：人間によるアノテーション付き例）の導入によって達成可能である。
• ソースコードはMITライセンスの下で公開されており、コミュニティの貢献やオープンソース顕微鏡プラットフォームへの統合が可能である。