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

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

Cell Image Analysis Techniques참고 문헌 28인용 수 19

한 줄 요약

이 논문은 압축 측정(CS)과 복소 신경망(CNN)을 결합한 새로운 딥러닝 프레임워크인 CNNCS를 제안한다. 이는 현미경 세포 검출 성능을 향상시키기 위해 고도로 희박한 세포 중심 위치를 무작위 투영을 통해 압축 벡터로 인코딩하고, CNN이 입력 영상에서 이 압축 표현을 회귀함으로써, L1-최적화를 통해 원래의 세포 중심 위치를 복원한다. 이는 기준 데이터셋에서 최신 기술 수준의 성능을 달성하였으며, AMIDA13 MICCAI 경연 대회에서 3위를 기록하였다.

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 to locate target cells. 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. Consequently, 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. Using $L_1$-norm optimization, we recover sparse cell locations on the output pixel space from the predicted compressed vector. 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 experimentally demonstrate that proposed CNN + CS framework (referred to as CNNCS) exceeds the accuracy of the state-of-the-art methods on many benchmark datasets for microscopy cell detection. Additionally, we show that CNNCS can exploit ensemble average by using more than one random encodings of the output space. In the AMIDA13 MICCAI grand competition, we achieve the 3rd highest F1-score in all the 17 participated teams. More ranking details are available at this http URL Implementation of CNNCS is available at this https URL

연구 동기 및 목표

• 딥러닝을 활용하여 현미경 영상에서 정확하고 효율적인 세포 검출 문제를 해결하기 위해.
• 기존의 픽셀 공간 학습 방식에 대한 대안으로 출력 공간을 인코딩하여 일반화 능력과 효율성을 향상시키기 위해.
• 희박한 출력 예측을 위한 생물의학 영상 분석에서 압축 측정과 딥러닝을 통합하기 위해.
• 다중 무작위 인코딩을 통해 앙상블 평균화를 통해 검출 성능 향상을 증명하기 위해.
• 기준 데이터셋과 실제 대회인 AMIDA13과 같은 대규모 실세계 대회에서 뛰어난 성능을 입증하기 위해.

제안 방법

• 희박한 출력 공간(세포 중심의 레이블된 픽셀 위치 포함)을 무작위 투영을 통해 압축 벡터로 인코딩한다.
• 복소 신경망(CNN)을 사용하여 입력 현미경 영상에서 이 압축된 벡터를 직접 회귀하도록 학습시킨다.
• 예측된 압축된 벡터로부터 L1-노름 최적화를 통해 과소결정 시스템을 해결함으로써 원래의 희박한 세포 중심 위치를 복원한다.
• 다중 독립적 무작위 인코딩을 적용함으로써 앙상블 평균화를 허용하여 정확도와 견고성을 향상시킨다.
• 압축 측정의 이론적 보장 사항을 활용하면서도 딥러닝의 표현 능력을 동시에 활용한다.
• 엔드 투 엔드로 학습 가능한 프레임워크이며, 직접적인 픽셀 단위 분류를 피하기 위해 회귀-압축 측정 프레임워크를 운영한다.

실험 결과

연구 질문

• RQ1 압축 측정이 딥 컨volution 신경망과 효과적으로 결합되어 현미경 영상에서의 세포 검출 성능을 향상시킬 수 있는가?
• RQ2 무작위 투영을 통한 출력 공간 인코딩이 직접적인 픽셀 공간 회귀 대비 더 나은 일반화 능력과 성능을 제공하는가?
• RQ3 다중 무작위 인코딩을 앙상블 평균화를 통해 검출 정확도 향상에 활용할 수 있는가?
• RQ4 CNNCS 프레임워크는 표준 현미경 세포 검출 기준 데이터셋에서 최신 기술 수준의 방법들과 비교해 어떻게 성능을 내는가?
• RQ5 제안된 방법은 AMIDA13과 같은 실제 대규모 대회에서 경쟁력 있는 성능을 낼 수 있는가?

주요 결과

• CNNCS 프레임워크는 여러 현미경 세포 검출 기준 데이터셋에서 최신 기술 수준의 성능을 달성하였다.
• 17개 팀이 참가한 AMIDA13 MICCAI 대회에서 3위를 기록하여 실세계에서의 뛰어난 성능을 입증하였다.
• 앙성 평균화를 통해 다중 무작위 인코딩을 활용함으로써 검출 정확도가 추가로 향상되었다.
• 압축 측정과 딥러닝의 통합은 높은 복원 정밀도를 유지하면서도 희박한 출력의 효과적인 회귀를 가능하게 하였다.
• 세포 중심 위치의 희박성과 CNN의 표현 능력을 활용한 압축 도메인 내의 프레임워크는 기존 방법들을 능가하였다.
• 이 방법은 세포 검출 분야에서 CNN과 압축 측정 기반 출력 공간 인코딩을 처음으로 성공적으로 적용한 사례이다.