[논문 리뷰] Cell Detection in Microscopy Images with Deep Convolutional Neural Network and Compressed Sensing

Yao Xue, Nilanjan Ray|arXiv (Cornell University)|2017. 08. 10.

Image Processing Techniques and Applications참고 문헌 33인용 수 27

한 줄 요약

이 논문은 압축 감지(CS)와 컨volutional 신경망(CNN)을 결합한 새로운 딥러닝 프레임워크인 CNNCS를 제안한다. 이는 현미경 영상에서 세포를 탐지하고 국소화하는 데 목적이 있다. 희박한 세포 중심 위치를 무작위 투영을 통해 압축 벡터로 인코딩하고, 복구에 L1-최적화를 사용함으로써, AMIDA-2013 및 AMIDA-2016 미토시스 탐지 도전 대회에서 F1-스코어 기준으로 각각 3위를 기록하며 최신 기술 수준을 초월하는 성능을 달성한다.

ABSTRACT

The ability to automatically detect certain types of cells or cellular subunits in microscopy images is of significant interest to a wide range of biomedical research and clinical practices. Cell detection methods have evolved from employing hand-crafted features to deep learning-based techniques. The essential idea of these methods is that their cell classifiers or detectors are trained in the pixel space, where the locations of target cells are labeled. In this paper, we seek a different route and propose a convolutional neural network (CNN)-based cell detection method that uses encoding of the output pixel space. For the cell detection problem, the output space is the sparsely labeled pixel locations indicating cell centers. We employ random projections to encode the output space to a compressed vector of fixed dimension. Then, CNN regresses this compressed vector from the input pixels. Furthermore, it is possible to stably recover sparse cell locations on the output pixel space from the predicted compressed vector using $L_1$-norm optimization. In the past, output space encoding using compressed sensing (CS) has been used in conjunction with linear and non-linear predictors. To the best of our knowledge, this is the first successful use of CNN with CS-based output space encoding. We made substantial experiments on several benchmark datasets, where the proposed CNN + CS framework (referred to as CNNCS) achieved the highest or at least top-3 performance in terms of F1-score, compared with other state-of-the-art methods.

연구 동기 및 목표

• 복잡한 배경과 변동성이 큰 세포 밀도를 가진 고해상도 현미경 영상에서 정확하고 강건한 세포 탐지 문제를 해결한다.
• 기존의 수작업 특징 추출 방법의 한계를 극복하며, 다양한 세포 유형 간 일반화 능력이 떨어지고, 광범위한 튜닝이 필요하다.
• 세포 탐지 작업에서 출력 공간 인코딩에 압축 감지를 딥 네트워크와 융합하는 것이 가능한지 탐색한다.
• 세포 중심 레이블의 희박성 특성을 활용하여 국소화 정밀도를 향상시키는 엔드 투 엔드 학습 가능한 프레임워크를 개발한다.
• 기존 최신 기술 수준의 방법들과 비교하여 벤치마크 데이터셋에서 뛰어난 성능을 입증한다.

제안 방법

• 무작위 투영을 사용하여 세포 중심의 희박한 픽셀 위치를 압축된 벡터로 인코딩하여 출력 차원을 고정된 크기로 감소시킨다.
• 입력 현미경 영상에서 직접적으로 압축된 출력 벡터를 회귀하는 컨volutional 신경망(CNN)을 학습시킨다.
• 예측된 압축된 벡터에서 원래의 희박한 세포 중심 위치를 안정적으로 복구하기 위해 L1-노름 최적화를 활용한다.
• 다중 겹치는 패치 구성(0에서 180px까지 20px 간격)에 대한 앙상블 평균을 적용하여 탐지의 강건성을 향상시킨다.
• 검증 세트에서 F1-스코어를 최대화하기 위해 하이퍼파라미터(M, L, λ)를 무작위 검색을 통해 최적화한다.
• 융합 규칙을 구현: 9픽셀 반경 내에 6개 이상의 예측이 존재하면 최종 탐지로 수용하고, 그 위치의 평균을 계산한다.

실험 결과

연구 질문

• RQ1 압축 감지 기반의 출력 인코딩이 현미경 영상에서 딥러닝 기반 세포 탐지 성능을 향상시킬 수 있는가?
• RQ2 희박한 세포 중심의 압축 표현을 학습된 CNN이 직접 픽셀 공간 회귀보다 더 높은 국소화 정확도를 달성할 수 있는가?
• RQ3 표준화된 미토시스 탐지 벤치마크에서 CNNCS 프레임워크는 최신 기술 수준의 방법들과 비교해 F1-스코어에서 어떤 성능을 보이는가?
• RQ4 이 프레임워크는 조직학적 영상에서 다양한 세포 밀도와 외관을 감안해 일반화 가능한가?
• RQ5 앙상블 패치 처리 방식이 탐지 안정성과 정밀도 향상에 얼마나 기여하는가?

주요 결과

• CNNCS 프레임워크는 AMIDA-2013 미토시스 탐지 도전 대회에서 F1-스코어 0.471을 기록하여 17개 팀 중 3위를 차지했다.
• AMIDA-2016(TUPAC16) 데이터셋에서 검증 세트에서 F1-스코어 0.634를 기록하여 15개 참가 팀 중 3위를 기록했다.
• AMIDA-2013에서 4위를 기록한 AggNet 대비 F1-스코어가 10.2% 향상되어 유의미한 성능 향상을 보였다.
• 다양한 오프셋 설정을 가진 앙상블 패치 처리 방식을 통해 탐지 신뢰도가 향상되고, 잡음(거짓 양성)이 감소했다.
• 다양한 세포 밀도와 복잡한 조직학적 배경 조건에서도 강력한 일반화 능력을 보였다.
• 이 연구는 의료 영상 분석 분야에서 CNN과 압축 감지를 출력 공간 인코딩에 통합한 첫 번째 성공적인 사례이다.