[논문 리뷰] Enhanced Center Coding for Cell Detection with Convolutional Neural Networks

Haoyi Liang, Aijaz Ahmad Naik외 3명|arXiv (Cornell University)|2019. 04. 18.

Cell Image Analysis Techniques참고 문헌 34인용 수 4

한 줄 요약

이 논문은 컨volution 신경망을 사용한 세포 검출을 위한 새로운 중심 인코딩 기법인 repel coding를 제안한다. 이 기법은 밀도가 높은 세포 중심 간의 반응을 억제함으로써 학습 안정성과 검출 정확도를 향상시킨다. 네 가지 세포 유형과 두 가지 네트워크 아키텍처에서 기존의 가우시안 및 가까운 거리 인코딩 대비 최대 12% 높은 카운팅 정확도와 14% 높은 검출 정확도를 달성한다.

ABSTRACT

Cell imaging and analysis are fundamental to biomedical research because cells are the basic functional units of life. Among different cell-related analysis, cell counting and detection are widely used. In this paper, we focus on one common step of learning-based cell counting approaches: coding the raw dot labels into more suitable maps for learning. Two criteria of coding raw dot labels are discussed, and a new coding scheme is proposed in this paper. The two criteria measure how easy it is to train the model with a coding scheme, and how robust the recovered raw dot labels are when predicting. The most compelling advantage of the proposed coding scheme is the ability to distinguish neighboring cells in crowded regions. Cell counting and detection experiments are conducted for five coding schemes on four types of cells and two network architectures. The proposed coding scheme improves the counting accuracy versus the widely-used Gaussian and rectangle kernels up to 12%, and also improves the detection accuracy versus the common proximity coding up to 14%.

연구 동기 및 목표

• 원시 점 레이블의 부적절한 인코딩으로 인한 기반 학습 세포 검출 성능 저하 문제를 해결한다.
• 엔트로피와 복원 가능성의 균형을 고려한 인코딩 기법 설계를 통해 학습 안정성과 예측 견고성을 향상시킨다.
• 혼잡한 영역에서 인접 세포를 더 잘 구분할 수 있도록 한다. 이는 세포 수세기 및 검출 분야에서 오랫동안 지속된 문제이다.
• 다양한 세포 유형과 영상 조건에서 널리 사용되는 기법들인 가우시안 및 직사각형 커널과 비교해도 뛰어난 성능을 보이는 인코딩 방법을 개발한다.

제안 방법

• 중심 인코딩 평가 기준으로 엔트로피(학습 적합성 측정)와 복원 가능성(레이블 복원 견고성 측정)을 제안한다.
• 실제 중심 주변의 반응을 높이고 두 세포 중심 사이 중앙부의 반응을 최소화하기 위해 반발 메커니즘을 활용한 repel coding를 설계한다.
• 원시 점 레이블을 밀도 맵으로 변환하는 가속 가능 또는 고정된 변환으로서 repel coding를 구현하여 특징 학습을 향상시킨다.
• 비교를 위해 네 가지 현미경 데이터셋에서 다섯 가지 인코딩 기법을 사용해 두 가지 CNN 아키텍처(FCNN-A 및 잔차 블록 강화 버전)를 학습시킨다.
• 모든 구성에서 검출 및 카운팅 성능 평가에 F1 점수와 평균 절대 오차(MAE)를 사용한다.
• 예측 중심과 진짜 중심 간의 일对일 매칭을 확보하기 위해 평균 세포 반지름 이내의 거리 기준을 적용하여 검출 정확도를 평가한다.

실험 결과

연구 질문

• RQ1 제안된 repel 인코딩 기법은 기존의 인코딩 방법(Gaussian, rectangle, proximity, 원시 점 레이블)과 비교해 학습 안정성과 예측 정확도에서 어떻게 성능을 냈는가?
• RQ2 repel 인코딩은 혼잡한 영역에서 서로 가까이 또는 겹치는 세포의 검출을 어느 정도 향상시키는가?
• RQ3 repel 인코딩에서 엔트로피와 복원 가능성의 균형이 다양한 세포 유형과 영상 모odalities에 걸쳐 더 나은 일반화 성능을 이끌어내는가?
• RQ4 특히 작은 이미지 크기와 희박한 레이블을 가진 데이터셋에서 관찰되는 원시 점 레이블 학습 시의 발산 문제를 repel 인코딩이 줄일 수 있는가?
• RQ5 잔차 컨volution 블록의 포함 여부가 다양한 인코딩 기법의 성능에 어떤 영향을 미치는가?

주요 결과

• repel 인코딩은 네 가지 데이터셋과 두 가지 네트워크 아키텍처에서 40개의 서브실험 중 38개에서 가장 높은 F1 점수를 기록한다.
• FCNN-A를 사용한 DG 데이터셋에서 repel 인코딩은 proximity 인코딩 대비 6.96% 향상된 F1 점수를 기록했고, 가우시안 커널 인코딩 대비 7.95% 향상되었다.
• 잔차 블록을 적용한 HBM 데이터셋에서 repel 인코딩은 F1 점수 0.9011을 기록했으며, proximity 인코딩(0.8933) 대비 0.78% 향상되고 가우시안 커널(0.8628) 대비 3.83% 향상되었다.
• Adip 및 Vgg 데이터셋에서 배치 크기가 8 미만일 경우 원시 점 레이블 학습이 자주 발산하는 반면, repel 인코딩은 더 나은 레이블 분포 덕분에 이 문제를 피한다.
• 부분적으로 가림을 입은 영역(Vgg 데이터셋)에서 repel 인코딩은 원시 점 레이블이 중복되거나 불안정한 중심 검출을 유도하는 것과는 달리 더 안정적인 예측을 생성한다.
• repel 인코딩 기법은 뛰어난 복원 가능성 성능를 보이며, 네트워크 출력에서 원래 세포 중심 위치를 더 정확하고 견고하게 복원할 수 있다.