[논문 리뷰] Deep Learning Segmentation and Classification of Red Blood Cells Using a Large Multi-Scanner Dataset

Mohamed Elmanna, Ahmed Elsafty외 3명|arXiv (Cornell University)|2024. 03. 27.

Digital Imaging for Blood Diseases인용 수 6

한 줄 요약

이 논문은 다수 스캐너 데이터세트에서 RBC 분석을 위한 2단계 딥러닝 프레임워크를 도입한다: 먼저 U-Net으로 분할한 뒤 Transfer learning을 사용해 EfficientNetB0로 eight classes에 분류; IoU 98.03% 및 분류 정확도 96.5% 달성.

ABSTRACT

Digital pathology has recently been revolutionized by advancements in artificial intelligence, deep learning, and high-performance computing. With its advanced tools, digital pathology can help improve and speed up the diagnostic process, reduce human errors, and streamline the reporting step. In this paper, we report a new large red blood cell (RBC) image dataset and propose a two-stage deep learning framework for RBC image segmentation and classification. The dataset is a highly diverse dataset of more than 100K RBCs containing eight different classes. The dataset, which is considerably larger than any publicly available hematopathology dataset, was labeled independently by two hematopathologists who also manually created masks for RBC cell segmentation. Subsequently, in the proposed framework, first, a U-Net model was trained to achieve automatic RBC image segmentation. Second, an EfficientNetB0 model was trained to classify RBC images into one of the eight classes using a transfer learning approach with a 5X2 cross-validation scheme. An IoU of 98.03% and an average classification accuracy of 96.5% were attained on the test set. Moreover, we have performed experimental comparisons against several prominent CNN models. These comparisons show the superiority of the proposed model with a good balance between performance and computational cost.

연구 동기 및 목표

• 혈액병리학자가 라벨링한 크고 다양한 데이터셋을 사용하여 RBC 분할 및 분류를 개선하려는 동기를 제시한다.
• 8개 클래스로 구성된 >100K개의 RBC 영상 데이터셋을 만들고 공개한다.
• 성능과 계산 비용의 균형을 맞추기 위해 분할과 분류를 위한 2단계 프레임워크를 개발한다.
• EfficientNetB0를 활용한 전이학습의 효과를 입증하고 이를 다른 CNN 모델과 비교한다.

제안 방법

• Stage 1: U-Net 모델을 학습시켜 RBC 이미지를 자동으로 세포 마스크로 분할한다.
• Stage 2: 전이학습을 활용한 EfficientNetB0를 사용해 분할된 RBC 이미지를 8개 클래스로 분류하며 5x2 교차 검증 스킴을 적용한다.
• 데이터셋 라벨링은 두 명의 혈액병리학자가 독립적으로 마스크와 라벨을 작성했다.
• 분할에는 IoU를, 분류에는 정확도로 성능 평가를 수행한다.
• 성능과 계산 비용의 트레이드를 평가하기 위해 여러 유명한 CNN 모델과의 비교 실험을 수행한다.

실험 결과

연구 질문

• RQ1 대규모 다스캐너 RBC 데이터세트가 분할 및 분류 작업의 일반화를 향상시킬 수 있는가?
• RQ2 U-Net를 통한 분할과 EfficientNetB0를 통한 분류로 구성된 2단계 파이프라인이 8개 RBC 클래스에서 얼마나 잘 작동하는가?
• RQ3 전이학습과 교차 검증 전략이 RBC 분류 정확도에 미치는 영향은 무엇인가?
• RQ4 제안된 프레임워크가 정확도와 계산 효율성 측면에서 다른 CNN 아키텍처와 어떻게 비교되는가?

주요 결과

• IoU of 98.03% 달성 for RBC segmentation on the test set.
• Average RBC classification accuracy of 96.5% on the test set for eight classes.
• The proposed two-stage model outperforms several prominent CNN models in a balance of performance and computational cost.