[논문 리뷰] Bone marrow cells detection: A technique for the microscopic image analysis

Haichao Cao, Hong Liu외 1명|arXiv (Cornell University)|2018. 05. 05.

Digital Imaging for Blood Diseases참고 문헌 3인용 수 3

한 줄 요약

이 논문은 세 단계의 파이프라인(로컬라이제이션, 세그멘테이션, 분류)을 사용하여 미세현미경 영상에서 골수세포(BMCs)를 자동으로 감지하고 분류하는 새로운 방법을 제안한다. 이 방법은 색상 변환, 단계적 평균화, 옷수의 임계값 처리, 영역 확장, K-means 클러스터링, 마커 제어 워터셰드를 결합하여 세그멘테이션을 수행하고, 이후 SVM, 랜덤 포레스트 및 기타 분류기들을 사용한다. 이는 SVM를 사용할 때 최고 평균 인식률 87.49%를 달성한다.

ABSTRACT

In the detection of myeloproliferative, the number of cells in each type of bone marrow cells (BMC) is an important parameter for the evaluation. In this study, we propose a new counting method, which also consists of three modules including localization, segmentation and classification. The localization of BMC is achieved from a color transformation enhanced BMC sample image and stepwise averaging method (SAM). In the nucleus segmentation, both SAM and Otsu's method will be applied to obtain a weighted threshold for segmenting the patch into nucleus and non-nucleus. In the cytoplasm segmentation, a color weakening transformation, an improved region growing method and the K-Means algorithm are used. The connected cells with BMC will be separated by the marker-controlled watershed algorithm. The features will be extracted for the classification after the segmentation. In this study, the BMC are classified using the SVM, Random Forest, Artificial Neural Networks, Adaboost and Bayesian Networks into five classes including one outlier, namely, neutrophilic split granulocyte, neutrophilic stab granulocyte, metarubricyte, mature lymphocytes and the outlier (all other cells not listed). Our experimental results show that the best average recognition rate is 87.49% for the SVM.

연구 동기 및 목표

• 히스토파스 toll로지적 영상에서 골수세포의 정확한 감지 및 분류를 위한 자동화된 시스템을 개발하기 위해.
• 만성골수성증식성질환 진단에서 수작업 세는 것의 도전 과제를 해결하기 위해, 이는 시간이 오래 걸리고 주관적인 경향이 있기 때문이다.
• 핵과 세 cytoplasm에 대한 다수의 영상 처리 기법을 통합함으로써 세그멘테이션 정확도를 향상시키기 위해.
• 다섯 가지 유형의 골수세포와 이상치 클래스로 분류하기 위해 다수의 머신러닝 분류기들을 평가하고 비교하기 위해.
• 표준 미세현미경 영상 기반으로 임상 진단에 적합한 강건하고 반복 가능한 방법을 달성하기 위해.

제안 방법

• 로컬라이제이션은 강화된 BMC 영상에서 색상 변환과 단계적 평균화 방법(SAM)을 사용하여 수행된다.
• 핵 세그멘테이션은 SAM과 옷수의 방법을 모두 기반으로 한 가중치가 부여된 임계값을 사용하여 핵 영역과 비핵 영역을 구분한다.
• 세 cytoplasm 세그멘테이션은 색상 약화 변환, 개선된 영역 확장 알고리즘, K-means 클러스터링을 사용한다.
• 접합된 세포는 마커 제어 워터셰드 알고리즘을 사용하여 겹치는 세포를 분리한다.
• 세그멘테이션 이후 특징 추출이 이루어져 분류 단계에 입력된다.
• 다섯 가지 분류기—SVM, 랜덤 포레스트, 인공신경망, AdaBoost, 베이지안 네트워크—가 사용되어 골수세포를 다섯 가지 유형(중성구 분절성 골수세포, 중성구 안정성 골수세포, 메타루비크라이트, 성숙 림프구, 이상치 클래스)으로 분류한다.

실험 결과

연구 질문

• RQ1 하이브리드 영상 처리 파이프라인은 전통적 방법에 비해 미세현미경 영상에서 골수세포 감지 정확도를 향상시킬 수 있는가?
• RQ2 다양한 영상 조건에서 단계적 평균화와 옷수의 방법의 조합이 핵 세그멘테이션에 얼마나 효과적인가?
• RQ3 개선된 영역 확장 및 K-means 접근법이 세 cytoplasm 세그멘테이션 정확도를 얼마나 향상시키는가?
• RQ4 이 다중 클래스 설정에서 골수세포 분류에 대해 어떤 머신러닝 분류기가 가장 높은 인식률을 달성하는가?
• RQ5 마커 제어 워터셰드 알고리즘이 밀집한 미세현미경 영역에서 겹치는 골수세포를 효과적으로 분리할 수 있는가?

주요 결과

• 제안된 방법은 지정된 지원 벡터 머신(SVM) 분류기를 사용할 때 최고 평균 인식률 87.49%를 달성한다.
• 색상 변환, SAM, 옷수의 방법의 통합은 핵 세그멘테이션 정확도를 크게 향상시킨다.
• 개선된 영역 확장 및 K-means 클러스터링 기법은 소음과 과세그멘테이션을 최소화하면서 효과적으로 세 cytoplasm 영역을 세그멘테이션한다.
• 마커 제어 워터셰드 알고리즘은 겹치는 세포를 성공적으로 분리하여 세포 수 세는 과정에서 잠재적 오진을 감소시킨다.
• 시험된 분류기들 중에서 SVM은 랜덤 포레스트, 인공신경망, AdaBoost, 베이지안 네트워크보다 분류 정확도에서 뛰어나다.
• 전반적인 파이프라인은 골수 미세현미경 영상 데이터셋에서 강건성과 재현 가능성을 입증하였으며, 임상 적용에 적합하다.