[논문 리뷰] A Novel Automation-Assisted Cervical Cancer Reading Method Based on Convolutional Neural Network
이 논문은 YOLOv3 기반 객체 검출과 계단식 하드 예외 분류기를 사용하여 세포 분할을 필요로 하지 않고 종단 간 전임의erv의 자궁경부암 선별 방법을 제안한다. 이는 어려운 분류 카테고리(ASC-US, ASC-H, LSIL, HSIL)의 분류를 향상시키기 위해 개발되었다. 4000×3000 다중세포 영상에서 97.5%의 민감도와 67.8%의 특이도를 기록하였으며, 평균 정밀도(mAP)는 63.4%를 기록하여 임상 영상 수준의 선별과 상세한 비정상 세포 위치 특정에 있어 뛰어난 성능을 입증하였다.
While most previous automation-assisted reading methods can improve efficiency, their performance often relies on the success of accurate cell segmentation and hand-craft feature extraction. This paper presents an efficient and totally segmentation-free method for automated cervical cell screening that utilizes modern object detector to directly detect cervical cells or clumps, without the design of specific hand-crafted feature. Specifically, we use the state-of-the-art CNN-based object detection methods, YOLOv3, as our baseline model. In order to improve the classification performance of hard examples which are four highly similar categories, we cascade an additional task-specific classifier. We also investigate the presence of unreliable annotations and cope with them by smoothing the distribution of noisy labels. We comprehensively evaluate our methods on test set which is consisted of 1,014 annotated cervical cell images with size of 4000*3000 and complex cellular situation corresponding to 10 categories. Our model achieves 97.5% sensitivity (Sens) and 67.8% specificity (Spec) on cervical cell image-level screening. Moreover, we obtain a mean Average Precision (mAP) of 63.4% on cervical cell-level diagnosis, and improve the Average Precision (AP) of hard examples which are valuable but difficult to distinguish. Our automation-assisted cervical cell reading method not only achieves cervical cell image-level classification but also provides more detailed location and category information of abnormal cells. The results indicate feasible performance of our method, together with the efficiency and robustness, providing a new idea for future development of computer-assisted reading system in clinical cervical screening.
연구 동기 및 목표
- 수동 자궁경부 세포학적 선별의 비효율성과 높은 노동 비용 문제를 해결하기 위해 자동화된 종단 간 전임의 시스템을 개발하고자 한다.
- 수동 세포 분할과 수작업으로 설계된 특징에 의존하는 전통적인 다단계 파이프라인의 한계를 극복하고자 한다.
- 계단식 분류기를 통해 매우 유사한 비정상 세포 카테고리(ASC-US, ASC-H, LSIL, HSIL)의 분류 정확도를 향상시키고자 한다.
- 임상 자궁경부 영상 데이터셋에서 노이즈가 많은 레이블의 영향을 줄이기 위해 레이블 스무딩을 적용하여 모델의 강건성을 향상시키고자 한다.
- 단일 세포 패치가 아닌 큰 전체 슬라이드 영상(4000×3000)에서 영상 수준의 선별을 가능하게 하여 임상 워크플로우의 효율성을 높이고자 한다.
제안 방법
- 다중세포 영상에서 세포 분할 없이 직접 10종의 자궁경부 세포 카테고리를 검출하고 분류하기 위해 YOLOv3를 기본 객체 검출 모델로 사용한다.
- 세포 분류가 매우 어려운 네 가지 비정상 카테고리(ASC-US, ASC-H, LSIL, HSIL)의 예측을 향상시키기 위해 계단식으로 설계된 전문화된 분류기를 도입한다.
- 학습 데이터에서 노이즈가 많거나 신뢰도가 떨어지는 레이블의 영향을 줄이기 위해 레이블 스무딩을 적용하여 모델의 강건성을 향상시킨다.
- 겹치고 오염물질이 있는 복잡한 세포 환경을 포함한 1,014개의 고유한 레이블이 부여된 전체 슬라이드 영상(4000×3000 픽셀)으로 구성된 커스터마이징된 데이터셋을 사용하여 모델을 학습하고 평가한다.
- 진단 결과의 순위를 매기기 위해 분류 정확도와 위치 정확도를 융합한 하이브리드 점수를 활용하여 임상적 해석을 보조한다.
- 특정 데이터셋에 최적화된 정렬 박스를 최적화하여 자궁경부 세포 검출 작업의 정밀도를 향상시킨다.
실험 결과
연구 질문
- RQ1종단 간 전임의, 세포 분할이 없는 객체 검출 접근 방식이 전통적인 다단계 파이프라인보다 자궁경부 세포 분류에서 더 우수한 성능을 보일 수 있는가?
- RQ2계단식 분류기는 어려운 분류가 어려운 비정상 세포 카테고리(ASC-US, ASC-H, LSIL, HSIL)의 인식에 얼마나 효과적인가?
- RQ3레이블 스무딩은 자궁경부 세포학 데이터셋에서 노이즈가 많은 레이블로 인한 성능 저하를 어느 정도 완화하는가?
- RQ4딥 러닝 모델이 큰 복잡한 전체 슬라이드 영상(4000×3000)에서 영상 수준의 선별을 위해 높은 민감도와 수용 가능한 특이도를 달성할 수 있는가?
- RQ5제안된 방법은 단일 효율적인 추론 프로세스를 통해 비정상 세포의 임상적으로 유용한 위치 특정 및 분류 정보를 제공하는가?
주요 결과
- 제안된 방법은 1,014개의 전체 슬라이드 영상(4000×3000)에 대한 영상 수준 분류에서 97.5%의 민감도와 67.8%의 특이도를 기록하여 주요 선별에 있어 뛰어난 성능을 입증하였다.
- 세포 수준 진단에서 평균 정밀도(mAP)는 63.4%를 기록하였으며, 가장 곤란한 하드 예외 카테고리에서 평균 정밀도(AP)가 크게 향상되었다.
- 계단식 하드 예외 분류기는 기준 모델 대비 참성분을 감소시키고 특이도를 5.6% 향상시켜 어려운 분류 작업에서의 효과성을 확인하였다.
- 복잡한 다중세포 영상에서 겹치는 세포, 노이즈, 오염물질이 존재하는 환경에서도 비정상 세포를 성공적으로 검출하고 위치 특정할 수 있었으며, 실제 환경에서의 강건성을 입증하였다.
- 시스템은 영상 수준의 선별 결과와 함께 세포 수준의 정밀한 위치 특정 및 분류 정보를 제공하여 임상적 검토의 효율성을 높였다.
- 결과적으로 종단 간 객체 검출, 레이블 스무딩, 전문화된 보완 기법을 통합한 접근 방식이 임상 자궁경부암 선별 자동화에 실현 가능하고 효과적인 방법임을 시사한다.
더 나은 연구,지금 바로 시작하세요
논문 읽기부터 검토까지, 연구 시간을 획기적으로 줄여보세요.
카드 등록 없음 · 무료 플랜 제공
이 리뷰는 AI가 만들고, 인간 에디터가 검토했습니다.