[논문 리뷰] Deep CNNs for HEp-2 Cells Classification : A Cross-specimen Analysis

Hongwei Li, Wei‐Shi Zheng외 1명|arXiv (Cornell University)|2016. 04. 20.

Digital Imaging for Blood Diseases인용 수 10

한 줄 요약

이 논문은 다양한 샘플에 걸쳐 HEp-2 세포 염색 패턴을 분류하기 위한 딥 컨volution 신경망(CNN) 아키텍처를 제안하며, 샘플 간 일반화 능력을 중시한다. 데이터 증강 기법으로 새로운 샘플을 추가하는 것이 단순히 애핀 변환을 사용하는 것보다 성능을 향상시키며, 이는 이심성 제거된 샘플 평가 조건에서 평균 클래스 정확도 83.55%를 달성함으로써 입증된다. 이는 이전의 CNN 모델들을 능가하며, 훈련 데이터의 샘플 다양성이 중요하다는 점을 강조한다.

ABSTRACT

Automatic classification of Human Epithelial Type-2 (HEp-2) cells staining patterns is an important and yet a challenging problem. Although both shallow and deep methods have been applied, the study of deep convolutional networks (CNNs) on this topic is shallow to date, thus failed to claim its top position for this problem. In this paper, we propose a novel study of using CNNs for HEp-2 cells classification focusing on cross-specimen analysis, a key evaluation for generalization. For the first time, our study reveals several key factors of using CNNs for HEp-2 cells classification. Our proposed system achieves state-of-the-art classification accuracy on public benchmark dataset. Comparative experiments on different training data reveals that adding different specimens,rather than increasing in numbers by affine transformations, helps to train a good deep model. This opens a new avenue for adopting deep CNNs to HEp-2 cells classification.

연구 동기 및 목표

• HEp-2 세포 염색 패턴 분류에서 샘플 간 일반화 문제를 해결하기 위해.
• 실제 이심성 제거된 샘플 평가 프로토콜 하에서 딥 CNN의 효과성을 평가하기 위해.
• 다양한 데이터 증강 전략이 소규모이고 다양한 데이터셋에서 모델 성능에 미치는 영향을 조사하기 위해.
• 공개된 HEp-2 데이터셋에서 기존 최첨단 기법들과 비교하여 제안된 딥 아키텍처의 성능을 평가하기 위해.

제안 방법

• 깊이가 깊고 파arameter 용량을 높이기 위해 10층의 딥 CNN과 1×1 컨볼루션 커널을 설계하였다.
• 네트워크는 ReLU 활성화 함수를 사용하며, 훈련을 안정화시키기 위해 작은 무작위 가중치로 초기화된다.
• ICPR 2014 데이터셋의 참조 경계 상자와 세그멘테이션 마스크를 이용해 자동으로 세포가 추출된다.
• 이미지의 회전과 반사 등을 통해 데이터 증강이 이루어지며, 부족한 클래스를 균형 있게 만들기 위해 패턴별로 특화된 증강 기법이 적용된다.
• 다른 환자들 간의 일반화 능력을 평가하기 위해 이심성 제거된 교차 검증(LOSO)이 사용된다.
• 성능 평가 지표로는 I3A HEp-2 분류 경연 대회에서 표준으로 사용되는 평균 클래스 정확도(MCA)가 사용된다.

실험 결과

연구 질문

• RQ1 학습 중에 완전히 새로운 샘플로 평가되는 이심성 제거 평가 조건에서 딥 CNN의 성능은 어떠한가?
• RQ2 샘플 기반 데이터 증강과 애핀 변환(예: 회전, 반사) 중 어느 것이 모델 정확도에 더 큰 영향을 미치는가?
• RQ3 이미지 수를 증가시키기 위해 변환 기법을 사용하는 것보다, 훈련 세트에 더 많은 서로 다른 샘플을 추가하는 것이 일반화 능력을 더 크게 향상시키는가?
• RQ4 이심성 제거 평가 조건에서 제안된 딥 아키텍처는 이전 최첨단 기법들과 비교해 MCA 측면에서 어떻게 성능을 내는가?
• RQ5 제한된, 샘플 다양성이 확보된 데이터로 훈련된 딥 러닝 모델이 HEp-2 세포 분류에서 경쟁 가능한 성능을 달성할 수 있는가?

주요 결과

• 제안된 딥 CNN은 114,986장의 증강된 이미지와 Task-1 데이터를 포함한 통합 데이터셋으로 훈련한 결과, 이심성 제거 평가 조건에서 평균 클래스 정확도(MCA) 83.55%를 달성하였다.
• 샘플 기반 데이터 증강(새로운 샘플 추가)이 애핀 변환만을 사용하는 것보다 유의미하게 효과적이며, 이는 더 많은 샘플이 있지만 이미지 수가 적은 세트에서 MCA 79.13%를 기록함으로써 입증되었다.
• 세트-3(더 많은 샘플 포함)로 훈련한 모델가 세트-2(8배 더 많은 이미지 수를 가진 회전 기반 증강)로 훈련한 모델보다 성능이 뛰어나, 샘플 다양성이 이미지 수 증가보다 더 가치가 있음을 시사한다.
• 제안된 딥 CNN은 LeNet-5 아키텍처를 사용한 이전 CNN보다 2.79%p 높은 성능(74.67% 대 71.88% MCA)을 기록하여 더 깊은 아키텍처의 이점이 있음을 입증하였다.
• 혼동 행렬 분석 결과 골지 기관 패턴은 여전히 도전 과제로 남아 있었으며, 정확도는 70.30%에 머물러 있어 클래스 불균형과 다른 패턴들과의 형태학적 유사성이 주요 장애물임을 시사한다.
• k-폴드 교차 검증 조건에서는 동일한 모델이 데이터 증강 없이도 91.16% MCA를 기록하였으며, 이는 샘플 식별에 대한 과적합 위험과 LOSO 평가의 중요성을 강조한다.