[논문 리뷰] Constrained Multi-shape Evolution for Overlapping Cytoplasm Segmentation

Youyi Song, Lei Zhu외 5명|arXiv (Cornell University)|2020. 04. 08.

AI in cancer detection참고 문헌 39인용 수 4

한 줄 요약

이 논문은 자궁경부 도말 영상에서 겹치는 세포질을 분할하기 위해 국소(세포질 수준) 및 전반적(덩어리 수준) 형태 사전 정보를 함께 사용하여 다중 세포질 형태를 동시에 진화시키는 제약 있는 다중 형태 진화 방법을 제안한다. 통계적 형태 분석을 통해 유한한 크기의 형태 가설 집합을 모델링하고, 진화 과정에서 형태 제약 조건을 강제로 적용함으로써 겹치는 영역에서의 강도 부족 현상을 보완하여 최신 기법들보다 뛰어난 분할 정확도를 달성한다.

ABSTRACT

Segmenting overlapping cytoplasm of cells in cervical smear images is a clinically essential task, for quantitatively measuring cell-level features in order to diagnose cervical cancer. This task, however, remains rather challenging, mainly due to the deficiency of intensity (or color) information in the overlapping region. Although shape prior-based models that compensate intensity deficiency by introducing prior shape information (shape priors) about cytoplasm are firmly established, they often yield visually implausible results, mainly because they model shape priors only by limited shape hypotheses about cytoplasm, exploit cytoplasm-level shape priors alone, and impose no shape constraint on the resulting shape of the cytoplasm. In this paper, we present a novel and effective shape prior-based approach, called constrained multi-shape evolution, that segments all overlapping cytoplasms in the clump simultaneously by jointly evolving each cytoplasm's shape guided by the modeled shape priors. We model local shape priors (cytoplasm--level) by an infinitely large shape hypothesis set which contains all possible shapes of the cytoplasm. In the shape evolution, we compensate intensity deficiency for the segmentation by introducing not only the modeled local shape priors but also global shape priors (clump--level) modeled by considering mutual shape constraints of cytoplasms in the clump. We also constrain the resulting shape in each evolution to be in the built shape hypothesis set, for further reducing implausible segmentation results. We evaluated the proposed method in two typical cervical smear datasets, and the extensive experimental results show that the proposed method is effective to segment overlapping cytoplasm, consistently outperforming the state-of-the-art methods.

연구 동기 및 목표

• 겹치는 영역으로 인해 강도 정보가 부족한 자궁경부 도말 영상에서 겹치는 세포질 분할 문제를 해결하기 위해.
• 제한된 형태 가설을 사용하고 결과 형태에 대한 제약 조건이 없는 기존 형태 사전 기반 방법의 한계를 극복하기 위해.
• 국소 및 전반적 형태 사전 정보를 함께 사용하여 다중 세포질 형태를 동시에 진화시킴으로써 분할 정확도를 향상시키기 위해.
• 학습된 포괄적인 형태 가설 집합 내에서 진화된 형태를 제약하여 물리적으로 타당한 분할 결과를 보장하기 위해.

제안 방법

• 세포질 인스턴스의 통계적 형태 분석을 통해 유도된 무한히 큰 형태 가설 집합을 사용하여 국소 형태 사전 정보를 모델링한다.
• 형태 예제의 중요도를 계산하기 위한 학습 알고리즘을 도입하여, 가설 집합이 모든 가능한 세포질 형태를 표현할 수 있도록 한다.
• 세포질 덩어리 내 세포질 간 상호 형태 제약 조건을 모델링하여 전반적 형태 사전 정보를 통합함으로써 겹치는 영역에서의 일관성을 향상시킨다.
• 진화 과정에서 국소 및 전반적 형태 사전 정보를 모두 활용하여 강도 부족 현상을 보완한다.
• 각 진화 단계에서 도출된 형태가 학습된 형태 가설 집합 내에 유지되도록 제약 조건을 적용하여 비현실적인 형태를 방지한다.
• 수렴 분석을 제공하여, 입력 순서에 관계없이 중요도 학습 알고리즘이 최적의 가중치로 수렴함을 증명한다.

실험 결과

연구 질문

• RQ1 모든 가능한 세포질 형태를 포함하는 포괄적인 형태 가설 집합이 겹치는 영역에서의 분할 정확도 향상에 기여하는가?
• RQ2 덩어리 내 세포질 간 상호 제약 조건을 모델링하는 전반적 형태 사전 정보를 통합할 경우 분할 품질에 어떤 영향을 미치는가?
• RQ3 학습된 형태 가설 집합 내에 진화된 형태를 제약함으로써 비현실적인 분할 결과를 줄일 수 있는가?
• RQ4 제안된 방법은 기존 형태 사전 기반 접근법에 비해 겹치는 세포질 분할의 정확도 및 시각적 타당성 측면에서 뛰어나게 성능을 발휘하는가?
• RQ5 형태 통계의 중요도 학습 알고리즘이 입력 순서가 다양할 경우에도 안정적이고 수렴 가능한가?

주요 결과

• 제안된 방법은 두 가지 유형의 자궁경부 도말 영상 데이터셋에서 최신 기법들보다 일관되게 뛰어난 분할 정확도를 달성한다.
• 국소 및 전반적 형태 사전 정보를 함께 사용함으로써 강도가 낮은 겹치는 영역에서의 분할 성능이 크게 향상된다.
• 학습된 형태 가설 집합 내에 진화된 형태를 제약함으로써 시각적으로 비현실적인 분할 결과가 효과적으로 감소된다.
• 중요도 학습 알고리즘이 최적의 가중치로 수렴함이 증명되었으며, 이는 입력 순서와 무관하다.
• 다중 세포질 형태를 동시에 진화시킴으로써 덩어리 전체의 구조 일관성을 유지함으로써 뛰어난 성능을 달성한다.