[논문 리뷰] CellLineNet: End-to-End Learning and Transfer Learning For Multiclass Epithelial Breast cell Line Classification via a Convolutional Neural Network

Darlington Akogo, Vincent Appiah외 1명|arXiv (Cornell University)|2018. 08. 18.

AI in cancer detection참고 문헌 3인용 수 6

한 줄 요약

CellLineNet는 수동적 특징 추출 없이 다섯 가지 간엽성 유방세포 계통(MDA-MB-468, MCF7, 10A, 12A, HC11)을 종합적으로 분류할 수 있는 31층의 합성곱 신경망이다. 이 모델은 3,252장의 이미지 데이터셋을 사용하여 엔드 투 엔드 학습과 미세조정된 MobileNet 아키텍처를 활용한 전이학습을 통해 96.67%의 정확도를 달성한다.

ABSTRACT

Computer Vision for Analyzing and Classifying cells and tissues often require rigorous lab procedures and so automated Computer Vision solutions have been sought. Most work in such field usually requires Feature Extractions before the analysis of such features via Machine Learning and Machine Vision algorithms. We developed a Convolutional Neural Network that classifies 5 types of epithelial breast cell lines comprised of two human cancer lines, 2 normal immortalized lines, and 1 immortalized mouse line (MDA-MB-468, MCF7, 10A, 12A and HC11) without requiring feature extraction. The Multiclass Cell Line Classification Convolutional Neural Network extends our earlier work on a Binary Breast Cancer Cell Line Classification model. CellLineNet is 31-layer Convolutional Neural Network trained, validated and tested on a 3,252 image dataset of 5 types of Epithelial Breast cell Lines (MDA-MB-468, MCF7, 10A, 12A and HC11) in an end-to-end fashion. End-to-End Learning enables CellLineNet to identify and learn on its own, visual features and regularities most important to Breast Cancer Cell Line Classification from the dataset of images. Using Transfer Learning, the 28-layer MobileNet Convolutional Neural Network architecture with pre-trained ImageNet weights is extended and fine tuned to the Multiclass Epithelial Breast cell Line Classification problem. CellLineNet simply requires an imaged Cell Line as input and it outputs the type of breast epithelial cell line (MDA-MB-468, MCF7, 10A, 12A or HC11) as predicted probabilities for the 5 classes. CellLineNet scored a 96.67% Accuracy.

연구 동기 및 목표

• 수동으로 설계된 특징에 의존하지 않고, 자동화된 딥 러닝 기반의 시스템을 개발하여 간엽성 유방세포 계통을 분류하는 것.
• 이전의 이진 분류 연구를 다섯 가지 서로 다른 세포 계통을 포함하는 다중 분류 설정으로 확장하는 것.
• 유방암 연구의 조직병리학적 영상 분류 맥락에서 엔드 투 엔드 학습과 전이학습의 성능을 평가하는 것.
• 높은 정확도로 단일 현미경 영상에서 세포 계통 유형을 예측할 수 있는 강력하고 일반화 능력이 뛰어난 모델을 구축하는 것.

제안 방법

• 3,252장의 다섯 가지 간엽성 유방세포 계통의 현미경 영상 데이터셋을 기반으로 엔드 투 엔드로 학습된 31층의 합성곱 신경망(CellLineNet)을 사용한다.
• 모델은 전통적인 특징 추출 파이프라인을 회피하고, 원시 영상 데이터에서 직접 시각적 특징과 패턴을 학습한다.
• 전이학습은 28층의 MobileNet 아키텍처에서 사전 학습된 ImageNet 가중치로 네트워크를 초기화하고, 특정 세포 계통 분류 작업을 위해 미세조정함으로써 적용된다.
• 모델은 다섯 가지 세포 계통 클래스 각각에 대해 예측 확률을 출력하여 확률 기반 분류를 가능하게 한다.
• 훈련, 검증, 테스트는 균형 잡힌 3,252장의 이미지 데이터셋을 기반으로 수행되어 신뢰할 수 있는 성능 평가를 보장한다.

실험 결과

연구 질문

• RQ1 딥 컨volution 신경망은 수동적 특징 설계 없이 간엽성 유방세포 계통의 고정확도 다중 분류를 달성할 수 있는가?
• RQ2 제한된 조직병리학적 영상 데이터셋에서 엔드 투 엔드 학습과 전이학습 간의 성능을 비교할 경우 어떤가?
• RQ3 MobileNet과 같은 사전 학습된 컨volution 신경망 아키텍처가 특수한 생물학적 영상 분류 작업에 효과적으로 미세조정될 수 있는 정도는 어느 정도인가?
• RQ4 오직 영상 입력만을 사용하여 다섯 가지 서로 다른 간엽성 유방세포 계통을 어느 정도의 정확도로 구분할 수 있는가?

주요 결과

• CellLineNet는 다섯 가지 간엽성 유방세포 계통 분류 과제에서 테스트 정확도 96.67%를 달성했다.
• 모델은 수동적 특징 추출 없이도 원시 영상 입력만으로 다섯 가지 서로 다른 세포 계통(MDA-MB-468, MCF7, 10A, 12A, HC11)을 성공적으로 분류했다.
• 엔드 투 엔드 학습은 데이터셋에서 분류 가능한 시각적 특징을 사전 특징 설계 없이 자동으로 학습할 수 있도록 허용했다.
• 미세조정된 MobileNet 아키텍처를 활용한 전이학습은 비교적 작은 데이터셋에서도 모델의 높은 성능을 크게 기여했다.