[논문 리뷰] An efficient heuristic for geometric analysis of cell deformations

Yaima Paz Soto, Silena Herold Garcia외 3명|arXiv (Cornell University)|2026. 01. 19.

Digital Imaging for Blood Diseases인용 수 0

한 줄 요약

논문은 혈액 이미지에서 낫고 정상 적혈구를 분류하기 위해 고정 매개변수화, 템플릿 정렬 거리 접근법을 형태 공간에서 도입하여 탄성 거리보다 계산 비용을 줄이면서 높은 정확도를 달성합니다.

ABSTRACT

Sickle cell disease causes erythrocytes to become sickle-shaped, affecting their movement in the bloodstream and reducing oxygen delivery. It has a high global prevalence and places a significant burden on healthcare systems, especially in resource-limited regions. Automated classification of sickle cells in blood images is crucial, allowing the specialist to reduce the effort required and avoid errors when quantifying the deformed cells and assessing the severity of a crisis. Recent studies have proposed various erythrocyte representation and classification methods. Since classification depends solely on cell shape, a suitable approach models erythrocytes as closed planar curves in shape space. This approach employs elastic distances between shapes, which are invariant under rotations, translations, scaling, and reparameterizations, ensuring consistent distance measurements regardless of the curves' position, starting point, or traversal speed. While previous methods exploiting shape space distances had achieved high accuracy, we refined the model by considering the geometric characteristics of healthy and sickled erythrocytes. Our method proposes (1) to employ a fixed parameterization based on the major axis of each cell to compute distances and (2) to align each cell with two templates using this parameterization before computing distances. Aligning shapes to templates before distance computation, a concept successfully applied in areas such as molecular dynamics, and using a fixed parameterization, instead of minimizing distances across all possible parameterizations, simplifies calculations. This strategy achieves 96.03\% accuracy rate in both supervised classification and unsupervised clustering. Our method ensures efficient erythrocyte classification, maintaining or improving accuracy over shape space models while significantly reducing computational costs.

연구 동기 및 목표

• 진단 및 치료 계획 지원을 위한 낫 혈구의 자동화되고 정확한 분류를 동기화한다.
• 평면 형태 공간을 활용하여 적혈구 경계 간의 거리를 측정한다.
• 거리 계산을 단순화하기 위해 주요 축에 정렬된 고정 매개변수화를 제안한다.
• 실제 혈액 세포 이미지에서 지도 학습 및 비지도 학습 분류 성능을 평가한다.

제안 방법

• 적혈구 경계를 두 형태 공간 S1(Grassmann/elastic bending)과 S2(SRVF with elastic metric)에서 닫힌 평면 곡선으로 표현한다.
• 모양 간 거리를 탄성 거리 또는 고정 매개변수화 거리를 사용해 계산한다.
• 각 세포를 원(circle)와 타원(Ellipse) 두 템플릿에 맞추고 템플릿 거리를 분류에 사용한다.
• 주요 축 정렬 및 양의 x 축으로 시작 등 재매개변화 탐색을 줄여 매개변수화를 고정한다.
• 이전의 탄성 거리 방법[21,16]과 정확도 및 계산 비용을 비교한다.
• 감독 학습(k-NN)과 비감독 학습(k-medoids) 설정 모두에 대해 실험하고 원(circle)/타원 템플릿을 추가한다.

실험 결과

연구 질문

• RQ1 고정 매개변수화 및 템플릿 기반 거리가 탄성 형태 지표와 비교 가능한 분류 정확도를 낼 수 있는가?
• RQ2 주요 축으로 shapes를 선정하고 고정 매개변수화를 적용하면 계산 비용이 줄어들면서 분류 성능이 유지되거나 향상되는가?
• RQ3 S1 및 S2 표현이 고정 매개변수화일 때 재매개된 탄성 거리와 RBC 분류에서 어떻게 비교되는가?
• RQ4 원(circle)과 타원 템플릿을 사용하는 것이 정상(normal), 낫(Sickle), 및 기타 변형의 분류와 클러스터링에 어떤 영향을 미치는가?
• RQ5 감독 학습과 비감독 학습 설정 모두에서 결과가 강건한가?

주요 결과

정상	겸상	OD
202	0	0
1	199	10
39	12	160

• 고정 매개변수화는 S1에서 Acc ≈ 90% 및 SDS ≈ 93.58%로 강력한 분류를 보인다.
• 고정 매개변수화를 적용한 S1 공간은 여러 지표에서 해당 재매개화된 접근보다 우수한 성능을 보인다.
• 고정 매개변수화를 갖는 원(circle)/타원 템플릿 간의 거리로 정상과 낫 모양 간 구분이 높다.
• 고정 매개변수화 접근법은 계산 비용 측면에서 상당한 이점을 제공하는 반면, 탄성 거리 방법(재매개화 허용)도 여전히 경쟁력이 있다.
• 감독 및 비감독 실험에서 정상, 낫, 기타 변형 클래스 사이의 분리가 잘 나타나며, 일부 설정에서 OD와 N/S 간의 혼동이 주로 발생한다.