[논문 리뷰] Efficient Column Generation for Cell Detection and Segmentation

Chong Zhang, Shaofei Wang외 2명|arXiv (Cornell University)|2017. 09. 21.

Advanced Neural Network Applications참고 문헌 44인용 수 3

한 줄 요약

이 논문은 붐비는 생물학적 이미지에서 세포 인스턴스 세분화를 위한 새로운 컬럼 생성 방법을 제안하며, 비중첩 세포 제약 조건을 갖는 정수계획법으로 문제를 공식화한다. 슈퍼픽셀 기반의 세트 패킹과 올드 세트 부등식을 활용하여 선형계획법의 타당성 해석을 강화함으로써, 빠르고 언제라도 유용한 추론이 가능한 상태에서 최신 기술 수준의 정확도를 달성한다. 이는 세 개의 현미경 데이터셋에서 검증되었으며, 근사 최적의 갭과 평균으로 분당 이내의 추론 시간을 기록하였다.

ABSTRACT

We study the problem of instance segmentation in biological images with crowded and compact cells. We formulate this task as an integer program where variables correspond to cells and constraints enforce that cells do not overlap. To solve this integer program, we propose a column generation formulation where the pricing program is solved via exact optimization of very small scale integer programs. Column generation is tightened using odd set inequalities which fit elegantly into pricing problem optimization. Our column generation approach achieves fast stable anytime inference for our instance segmentation problems. We demonstrate on three distinct light microscopy datasets, with several hundred cells each, that our proposed algorithm rapidly achieves or exceeds state of the art accuracy.

연구 동기 및 목표

• 최소한의 인간 간섭으로, 밀집하고 생물학적으로 복잡한 현미경 영상에서 정확하고 효율적인 인스턴스 세분화 문제를 해결한다.
• 모든 가능한 세포 인스턴스를 나열하는 데 있어 계산적으로 비가능한 문제를 해결하기 위해, 인스턴스 세분화를 대규모 세트 패킹 문제로 공식화한다.
• 소규모 정수계획문제에 대한 정확한 가격 설정을 활용한 컬럼 생성을 통해 실시간 또는 고처리량 생물영상 분석에 적합한 안정적이고 언제라도 유용한 추론을 가능하게 한다.
• 브랜치-프라이싱이 필요 없도록, 정확한 가격 설정 문제의 구조와 호환되는 올드 세트 부등식을 통합하여 선형계획법의 타당성 해석을 강화한다.
• 다양한 세포 형태와 영상 모달리티에 대해 강건성을 입증하며, 특히 투명하거나 저대비 영상에서도 잘 작동한다.

제안 방법

• 변수들이 후보 세포를 나타내고, 세포 간의 픽셀 수준의 겹침을 방지하기 위한 세트 패킹을 통한 제약 조건을 포함하는 정수선형계획법(ILP)으로 인스턴스 세분화를 공식화한다.
• 차원을 줄이고 최적화를 가능하게 하기 위해 슈퍼픽셀을 원자 단위의 이미지 요소로 사용하며, 각 슈퍼픽셀은 세트 패킹 공식화의 잠재적 요소로 기능한다.
• 소규모 정수계획문제의 정확한 최적화를 통해 가격 설정 하위문제를 해결하는 컬럼 생성 프레임워크를 구현함으로써, 효율적인 컬럼 생성을 가능하게 한다.
• 정확한 가격 설정 문제의 구조와 호환되는 올드 세트 부등식을 사용하여 선형계획법의 타당성 해석을 강화함으로써, 브랜치-프라이싱이 필요 없도록 한다.
• 하한값을 계산하고 컬럼 생성 과정을 안내하기 위해 이중 상승 및 라그랑주 해석 기법을 적용한다.
• 슈퍼픽셀의 강도 및 경계 특징 기반으로 단일 랜덤 포레스트 분류기를 사용하여 단항 잠재력을 추정하며, 이는 ILP의 비용 함수에 영향을 준다.

실험 결과

연구 질문

• RQ1 소규모 정수계획문제에 대한 정확한 가격 설정을 갖는 컬럼 생성 방법이, 최소한의 훈련으로 붐비는 생물학적 영상에서 고품질의 인스턴스 세분화를 달성할 수 있는가?
• RQ2 정확한 가격 설정 문제의 구조를 해치지 않으면서도, 올드 세트 부등식의 통합이 선형계획법의 타당성 해석을 얼마나 효과적으로 강화하는가?
• RQ3 슈퍼픽셀 기반의 차원 축소가 얼마나 정확한 세분화를 유지하면서도 확장 가능한 최적화를 가능하게 하는가?
• RQ4 다양한 세포 형태를 가진 실제 현미경 데이터셋에서, 제안된 방법이 최신 기술 수준의 방법보다 정확도와 추론 속도 면에서 어떻게 비교되는가?
• RQ5 다양한 생물영상 데이터셋에서, 이론적 이중성 갭이 좁은 안정적인 언제라도 유용한 해답을 제공할 수 있는가?

주요 결과

• 이 방법은 세 가지 다른 라이트 마이크로스코피 데이터셋에서 최신 기술 수준의 성능을 달성하거나 초월하였으며, 대부분의 경우 F-스코어는 0.90 이상, 다이스 계수는 0.85 초과를 기록하였다.
• 데이터셋 1에서 99.28%의 인스턴스가 0.1 이하의 정규화된 이중성 갭을 기록하여, 높은 해답 품질과 타당성 해석의 밀도를 나타냈다.
• 추론 시간은 일반적으로 200초 이내였으며(데이터셋 1 기준 최대 약 150초), 이는 이전 최신 기술 수준(제าง 등, 2014b)보다 약 10배 빠른 속도였다.
• 완전한 레이블링된 훈련 데이터가 필요 없이, 각 데이터셋당 하나의 랜덤 포레스트 분류기만으로도 인간의 애너테이션을 최소화할 수 있었다.
• 이 방법은 세포 형태와 크기의 변동성에 대해 강건성을 보였으며, 동일한 이미지 내에서 매우 비원형이거나 겹치는 세포를 성공적으로 세분화하였다.
• 올드 세트 부등식의 사용은 정확한 가격 설정 문제의 구조를 손상시키지 않으면서도, 브랜치-프라이싱 없이도 효율적인 해답을 도출할 수 있도록 하였다.