[논문 리뷰] Convolutional Neural Network and decision support in medical imaging: case study of the recognition of blood cell subtypes

Daouda Diouf, D Seck외 2명|arXiv (Cornell University)|2019. 11. 19.

Digital Imaging for Blood Diseases참고 문헌 5인용 수 8

한 줄 요약

이 연구는 레이블이 부여된 의료 영상 데이터를 사용하여 네 가지 주요 혈액세포 아형—중성구, 호酸성구, 리선풍세포, 단핵구—를 자동으로 분류하기 위한 합성곱 신경망(CNN) 모델을 제안한다. 혈액세포 영상 데이터셋으로 훈련된 모델은 검증 정확도 97.77%를 달성하여 다핵세포와 단핵세포를 높은 성능으로 구분함으로써 혈액학 분야의 임상적 의사결정 지원에 기여한다.

ABSTRACT

Identifying and characterizing the patient's blood samples is indispensable in diagnostics of malignance suspicious. A painstaking and sometimes subjective task is used in laboratories to manually classify white blood cells. Neural mathematical methods as deep learnings can be very useful in the automated recognition of blood cells. This study uses a particular type of deep learning i.e., convolutional neural networks (CNNs or ConvNets) for image recognition of the four (4) blood cell types (neutrophil, eosinophil, lymphocyte and monocyte) and to enable it to tag them employing a dataset of blood cells with labels for the corresponding cell types. The elements of the database are the input of our CNN and they allowed us to create learning models for the image recognition/classification of the blood cells. We evaluated the recognition performance and outputs learned by the networks in order to implement a neural image recognition model capable of distinguishing polynuclear cells (neutrophil and eosinophil) from those of mononuclear cells (lymphocyte and monocyte). The validation accuracy is 97.77%.

연구 동기 및 목표

• 임상 실험실에서 백혈구의 수작업적이고 주관적인 분류를 자동화하기 위해.
• 중성구, 호산구, 리선풍세포, 단핵구의 네 가지 주요 혈액세포 유형을 식별하기 위한 딥러닝 기반 영상 인식 시스템을 개발하기 위해.
• 합성곱 신경망이 다핵세포와 단핵세포를 어떻게 구분하는지 평가하기 위해.
• 정확하고 자동화된 도구를 제공하여 임상적 의사결정 지원을 보완하기 위해.
• 고정확도의 레이블이 부여된 혈액세포 영상 데이터셋을 사용하여 모델의 강건성을 검증하기 위해.

제안 방법

• 합성곱 신경망(CNN)은 레이블이 부여된 혈액세포 영상 데이터셋으로 훈련되어 계층적인 특징을 학습하기 위해 사용된다.
• 입력 데이터는 각 영상이 해당 세포 유형에 맞게 애너테이션된 전처리된 혈액세포 영상으로 구성된다.
• 모델은 중성구, 호산구, 리선풍세포, 단핵구의 네 가지 카테고리로 세포를 분류하도록 훈련된다.
• 네트워크 아키텍처는 특징 추출을 위한 합성곱 레이어와 최종 분류를 위한 완전 연결 레이어를 활용한다.
• 모델 성능 평가에는 검증 정확도를 사용하며, 다핵세포(중성구, 호산구)와 단핵세포(리선풍세포, 단핵구)를 구분하는 데 중점을 둔다.
• 훈련 과정에는 최적의 분류 정확도를 달성하기 위해 초기화 매개변수 조정 및 최적화가 포함된다.

실험 결과

연구 질문

• RQ1 합성곱 신경망은 의료 영상에서 네 가지 주요 혈액세포 아형을 정확하게 분류할 수 있는가?
• RQ2 CNN은 다핵세포(중성구, 호산구)와 단핵세포(리선풍세포, 단핵구)를 얼마나 효과적으로 구분하는가?
• RQ3 레이블이 부여된 혈액세포 영상 데이터셋을 사용하여 딥러닝 모델이 달성할 수 있는 검증 정확도는 어느 정도인가?
• RQ4 자동화된 영상 인식은 혈액세포 분류의 주관성을 어느 정도 감소시킬 수 있는가?
• RQ5 모델은 임상 혈액학 분야에서 신뢰할 수 있는 의사결정 지원 도구로 기능할 수 있는가?

주요 결과

• 제안된 CNN 모델은 혈액세포 분류 작업에서 검증 정확도 97.77%를 달성하였다.
• 모델은 다핵세포(중성구 및 호산구)와 단핵세포(리선풍세포 및 단핵구)를 높은 정밀도로 성공적으로 구분하였다.
• 결과는 딥러닝 기법이 혈액세포 분류의 정확성과 객관성을 크게 향상시킬 수 있음을 보여준다.
• 모델의 성능는 혈액학 분야의 임상 의사결정 지원 시스템에 통합될 잠재력을 보여준다.
• 이 연구는 CNN이 의료 영상에서 혈액세포 아형의 자동 인식에 매우 효과적임을 확인한다.
• 높은 정확도는 모델이 수작업으로 시간이 오래 걸리는 실험실 분류에 대한 의존도를 줄일 수 있음을 시사한다.