[논문 리뷰] Chromosome Segmentation Analysis Using Image Processing Techniques and Autoencoders

Amritha S Pallavoor, A Prajwal외 2명|arXiv (Cornell University)|2022. 09. 12.

Genomic variations and chromosomal abnormalities인용 수 6

한 줄 요약

이 논문은 영상 처리와 딥러닝을 활용한 자동화된 염색체 분할 및 분류 파이프라인을 제안하여 코어타이핑의 정확성과 효율성을 향상시킨다. 수렴하는 염색체를 분리하기 위해 워터셰드 분할과 수동 시딩, 오토에인코더를 조합하며, 분류에는 SqueezeNet 모델을 사용하여 95.75%의 정확도를 달성하고, 최종 쌍 할당을 위한 분포 알고리즘을 통해 정확도를 98%까지 끌어올렸다.

ABSTRACT

Chromosome analysis and identification from metaphase images is a critical part of cytogenetics based medical diagnosis. It is mainly used for identifying constitutional, prenatal and acquired abnormalities in the diagnosis of genetic diseases and disorders. The process of identification of chromosomes from metaphase is a tedious one and requires trained personnel and several hours to perform. Challenge exists especially in handling touching, overlapping and clustered chromosomes in metaphase images, which if not segmented properly would result in wrong classification. We propose a method to automate the process of detection and segmentation of chromosomes from a given metaphase image, and in using them to classify through a Deep CNN architecture to know the chromosome type. We have used two methods to handle the separation of overlapping chromosomes found in metaphases - one method involving watershed algorithm followed by autoencoders and the other a method purely based on watershed algorithm. These methods involve a combination of automation and very minimal manual effort to perform the segmentation, which produces the output. The manual effort ensures that human intuition is taken into consideration, especially in handling touching, overlapping and cluster chromosomes. Upon segmentation, individual chromosome images are then classified into their respective classes with 95.75\% accuracy using a Deep CNN model. Further, we impart a distribution strategy to classify these chromosomes from the given output (which typically could consist of 46 individual images in a normal scenario for human beings) into its individual classes with an accuracy of 98\%. Our study helps conclude that pure manual effort involved in chromosome segmentation can be automated to a very good level through image processing techniques to produce reliable and satisfying results.

연구 동기 및 목표

• 특히 겹치거나 붙어 있거나 군집된 염색체의 경우를 포함해, 미토시스 영상에서 개별 염색체를 자동으로 분할하는 것.
• 인간의 직관을 기계학습과 융합하여 코어타이핑에서 수동 노동에 대한 의존도를 줄이고 정확성과 효율성을 향상시키는 것.
• 고정밀도로 분류된 염색체를 1~22번 쌍, X, Y로 올바른 쌍 번호에 할당하기 위해 딥러닝 모델을 사용하는 것.
• 생물학적 제약 조건(예: 각 쌍에 정확히 두 개의 염색체가 있어야 함)을 강제하여 잘못 분류된 결과를 수정하는 분포 알고리즘을 개발하여 최종 분류 정확도를 향상시키는 것.
• 초보자용 훈련과 세포유전학 분야의 임상 의사결정 지원을 모두 지원하는 하이브리드 시스템을 구축하는 것.

제안 방법

• 겹치는 염색체를 효과적으로 분리하기 위해 워터셰드 알고리즘에 수동 시딩을 적용하며, 겹침 영역을 별도의 시딩으로 간주하여 분할 성능을 향상시킨다.
• 워터셰드 분할 이후 윤곽 검출 및 영상 자르기 기법을 사용하여 개별 염색체 영역을 고립시킨다.
• 한 가지 방법 변형에서는 분할된 염색체 영상을 정밀화하기 위해 오토에인코더를 활용하여 분류에 적합한 특징 표현을 향상시킨다.
• 분할된 염색체 영상에 대해 SqueezeNet 기반의 딥 컨volution 신경망(CNN)을 훈련시켜 23개의 쌍(성 염색체 포함)으로 분류한다.
• 부족하게 나타나는 쌍을 식별하고 과도하게 나타나는 쌍에서 고신뢰도 예측을 재할당하여 잘못된 분류를 수정하기 위해, 생물학적 제약 조건을 강제하는 분포 알고리즘을 구현한다.
• 과적합을 방지하기 위해 SqueezeNet 훈련 중에 5겹 교차검증과 조기 정지 기법을 사용한다.

실험 결과

연구 질문

• RQ1 최소한의 수동 간섭을 동반한 영상 처리 기법이 미토시스 영상에서 겹치거나 군집된 염색체를 효과적으로 분할할 수 있는가?
• RQ2 SqueezeNet과 같은 딥 컨볼루션 신경망 모델이 높은 정확도로 개별 염색체를 정확한 쌍 번호로 분류할 수 있는가?
• RQ3 생물학적 제약 조건(예: 각 쌍에 정확히 두 개의 염색체가 있어야 함)을 강제하는 분포 알고리즘이 잘못된 분류 오류를 수정하는 데 얼마나 효과적인가?
• RQ4 오토에인코더의 통합이 후속 분류를 위한 분할된 염색체 품질을 향상시키는가?
• RQ5 이 자동화된 파이프라인은 진단 정확도를 유지하거나 향상시키면서도 코어타이핑에서 수동 작업을 크게 줄일 수 있는가?

주요 결과

• 제안된 분할 방법은 개별 염색체 탐지에 약 95%의 정확도, 겹치는 염색체 분리에 94%의 정확도를 달성했다.
• SqueezeNet 모델은 5겹 교차검증과 조기 정지 기법을 사용하여 분할된 염색체 영상에서 95.75%의 분류 정확도를 기록했다.
• 분포 알고리즘이 생물학적 제약 기반 재할당을 통해 잘못된 예측을 수정함으로써 최종 분류 정확도를 95.75%에서 98%로 끌어올렸다.
• 워터셰드 분할에 수동 시딩과 오토에인코더를 조합한 방법은 복잡한 겹침 케이스에서도 신뢰할 수 있고 일관된 염색체 분리 성능을 보였다.
• 분할 → 분류 → 분포 조정의 종단 간 전 과정을 포함한 종합 파이프라인은 임상 및 교육 현장에서 코어타이핑 자동화의 강력한 잠재력을 보여주었다.
• 이 방법은 Q-밴딩 및 G-밴딩 미토시스 영상 모두를 지원하며, Q-밴딩 영상에서 더 높은 정확도를 기록했고, 향후 G-밴딩 분류 향상에 초점을 맞출 계획이다.