[논문 리뷰] Early Diagnosis of Acute Lymphoblastic Leukemia Using YOLOv8 and YOLOv11 Deep Learning Models

Alaa Awad, Salah A. Aly|arXiv (Cornell University)|2024. 10. 14.

Digital Imaging for Blood Diseases인용 수 4

한 줄 요약

이 연구는 병합된 다세포 혈액 도말 데이터셋으로 훈련된 YOLOv8 및 YOLOv11 딥 러닝 모델을 사용하여 급성 림프성 백혈병(ALL)의 새로운 조기 진단 프레임워크를 제안한다. 전이 학습, 데이터 증강 및 세분화를 활용하여, 악성 및 양성 백혈구를 구분하는 데 테스트 정확도가 98.8%에 달하며, 일반적으로 ALL로 잘못 분류되는 경우가 많은 혈액구를 정확하게 탐지한다.

ABSTRACT

Leukemia, a severe form of blood cancer, claims thousands of lives each year. This study focuses on the detection of Acute Lymphoblastic Leukemia (ALL) using advanced image processing and deep learning techniques. By leveraging recent advancements in artificial intelligence, the research evaluates the reliability of these methods in practical, real-world scenarios. Specifically, it examines the performance of state-of-the-art YOLO models, including YOLOv8 and YOLOv11, to distinguish between malignant and benign white blood cells and accurately identify different stages of ALL, including early stages. Moreover, the models demonstrate the ability to detect hematogones, which are frequently misclassified as ALL. With accuracy rates reaching 98.8%, this study highlights the potential of these algorithms to provide robust and precise leukemia detection across diverse datasets and conditions.

연구 동기 및 목표

• 혈액 도말 영상에서 급성 림프성 백혈병(ALL)의 조기에 정확하게 진단할 수 있는 딥 러닝 기반 시스템을 개발하는 것.
• 실제 임상 조건을 반영하기 위해 단일 세포 데이터셋이 아닌 다세포 영상으로 훈련하는 방식을 통해 기존 모델의 격차를 해소하는 것.
• ALL 이미지 데이터셋과 ALL-IDB1이라는 두 개의 서로 다른 데이터셋을 통합하여 일반화 능력을 향상시키는 것.
• 혈액구를 양성으로 정확하게 분류하여 이전 모델에서 흔히 발생하는 가짜 양성 결과를 줄이는 것.
• YOLOv11과 YOLOv8의 성능을 다양한 단계와 세포 유형에서의 ALL 탐지에 대해 평가하고 비교하는 것.

제안 방법

• 이 연구는 백혈구를 분류하기 위해 주로 YOLOv11과 YOLOv8 소형(s) 버전을 사용하는 객체 검출 모델로 활용한다.
• 데이터 전처리에는 영상 세분화, 회색조 변환 및 마스킹이 포함되어 다세포 혈액 도말 영상에서 개별 세포를 분리한다.
• ALL-IDB1 및 ALL 이미지 데이터셋의 병합된 데이터셋을 기반으로 사전 훈련된 YOLO 아키텍처를 사용하여 전이 학습 및 미세 조정을 적용한다.
• 데이터셋은 두 클래스로 재구성된다: '정상'(ALL 데이터셋의 양성 세포와 ALL-IDB1의 정상 세포 통합) 및 '암'(ALL 데이터셋의 조기, 전단계, 프로단계 및 ALL-IDB1의 암세포 통합).
• 정확도 = (TP + TN) / (TP + TN + FP + FN), 정밀도 = TP / (TP + FP), 재현율 = TP / (TP + FN), F1-스코어 = 2 × (정밀도 × 재현율) / (정밀도 + 재현율), 특이도 = TN / (TN + FP) 등의 표준 지표를 사용하여 성능을 평가한다.
• 수렴성과 일반화를 최적화하기 위해 100 에포크 동안 훈련하고 조기 정지 및 학습률 스케줄링을 적용한다.

실험 결과

연구 질문

• RQ1 YOLOv11과 YOLOv8 모델은 다세포 혈액 도말 영상에서 조기 단계의 급성 림프성 백혈병을 높은 정확도로 탐지할 수 있는가?
• RQ2 ALL 이미지 데이터셋과 ALL-IDB1 데이터셋을 통합함으로써 다양한 샘플 유형에 걸쳐 모델의 일반화 능력은 어떻게 향상되는가?
• RQ3 모델은 혈액구를 악성 세포로 잘못 분류하는 경우를 얼마나 줄일 수 있는가? 즉, ALL 진단에서의 가짜 양성 결과는 어느 정도 감소하는가?
• RQ4 YOLOv11의 성능 지표(정확도, 정밀도, 재현율, F1-스코어, 특이도)는 YOLOv8과 비교하여 어떻게 다른가?
• RQ5 데이터 증강 및 전이 학습은 모델의 수렴성과 분류 성능에 어떤 영향을 미치는가?

주요 결과

• YOLOv11s는 동일한 데이터셋에서 98.8%의 테스트 정확도를 기록했으며, YOLOv8s의 98.4% 정확도를 뛰어넘었다.
• YOLOv11 모델은 미세한 변동이 거의 없는 안정적인 훈련 및 검증 손실 곡선을 보여, 강력한 수렴성을 입증했다.
• 혼동 행렬 분석 결과, 양성 백혈구(혈액구 포함) 중 0.06%만이 악성으로 잘못 분류되었으며, 이는 높은 특이도를 나타낸다.
• ALL 이미지 데이터셋과 ALL-IDB1이라는 두 가지 서로 다른 데이터셋의 통합은 블라스트 세포의 다양한 형태학적 패턴에 걸쳐 모델의 일반화 능력을 크게 향상시켰다.
• YOLOv11은 이전 최고 성능 모델인 VCaps-Net(98.64%) 및 커스텀 CNNs(97.85%)를 뛰어넘어 ALL 진단 분야에서 새로운 기준을 설정했다.
• 모델는 악성 블라스트 세포와 혈액구를 성공적으로 구분하여 이전 ALL 진단 시스템에서 지속적으로 발생하던 과제를 해결했다.