[논문 리뷰] HEp-2 Cell Classification via Fusing Texture and Shape Information

Xianbiao Qi, Guoying Zhao외 3명|arXiv (Cornell University)|2015. 02. 16.

Systemic Lupus Erythematosus Research참고 문헌 34인용 수 8

한 줄 요약

이 논문은 자가면역질환 스크리닝에서 진단 정확도를 향상시키기 위해 다중 해상도 텍스처 및 풍부한 형태 특징을 융합하는 새로운 HEp-2 세포 분류 방법을 제안한다. 다중 척도 텍스처 표현을 위한 PRICoLGBP 기술자와 다중 척도 RootSIFT를 활용한 개선된 피셔 벡터(IFV)를 도입함으로써, ICIP 2013 데이터에서 79.5%의 정확도를 달성하였으며, 이는 대회 우승자보다 4.2% 높고 단일 모델 아키텍처로 ICPR 2014 우승자 성능을 따라잡는 데 성공했다.

ABSTRACT

Indirect Immunofluorescence (IIF) HEp-2 cell image is an effective evidence for diagnosis of autoimmune diseases. Recently computer-aided diagnosis of autoimmune diseases by IIF HEp-2 cell classification has attracted great attention. However the HEp-2 cell classification task is quite challenging due to large intra-class variation and small between-class variation. In this paper we propose an effective and efficient approach for the automatic classification of IIF HEp-2 cell image by fusing multi-resolution texture information and richer shape information. To be specific, we propose to: a) capture the multi-resolution texture information by a novel Pairwise Rotation Invariant Co-occurrence of Local Gabor Binary Pattern (PRICoLGBP) descriptor, b) depict the richer shape information by using an Improved Fisher Vector (IFV) model with RootSIFT features which are sampled from large image patches in multiple scales, and c) combine them properly. We evaluate systematically the proposed approach on the IEEE International Conference on Pattern Recognition (ICPR) 2012, IEEE International Conference on Image Processing (ICIP) 2013 and ICPR 2014 contest data sets. The experimental results for the proposed methods significantly outperform the winners of ICPR 2012 and ICIP 2013 contest, and achieve comparable performance with the winner of the newly released ICPR 2014 contest.

연구 동기 및 목표

• IIF HEp-2 세포 영상 분류에서 높은 내부 클래스 변동성과 낮은 외부 클래스 변동성 문제를 해결한다.
• 다중 해상도 텍스처 분석이 분류 성능에 미치는 영향을 조사한다.
• 다양한 척도에서 큰 영상 패치로부터 국소 특징을 추출하여 형태 표현을 향상시킨다.
• 텍스처 및 형태 특징 간 상호보완적 성질이 분류 성능 향상에 기여하는지 탐색한다.
• 기존 최첨단 방법들을 초월하는 통합적이고 효율적인 모델을 개발한다.

제안 방법

• 다중 해상도 텍스처 특징을 캡처하기 위해 새로운 쌍방향 회전 불변 공존성 국소 고바르 이진 패턴(PRICoLGBP) 기술자를 제안한다.
• 다양한 척도에서 큰 영상 패치에서 RootSIFT 특징을 추출하여 형태 표현을 향상시킨다.
• 국소 특징을 압축적이고 분류에 유용한 글로벌 기술자로 통합하기 위해 개선된 피셔 벡터(IFV) 인코딩 모델을 활용한다.
• PRICoLGBP 텍스처 특징과 IFV로 인코딩된 형태 특징을 후기 융합 전략을 통해 융합한다.
• 최종 분류를 위해 연결된 특징 벡터에 대해 단일 SVM 분류기 모델을 훈련시킨다.
• ICPR 2014 데이터에서 일반화 성능을 평가하기 위해 한 샘플을 제외한 교차 검증 프로토콜을 사용한다.

실험 결과

연구 질문

• RQ1 단일 해상도 접근 방식에 비해 다중 해상도 텍스처 분석이 HEp-2 세포 분류 정확도를 향상시키는가?
• RQ2 다중 척도 RootSIFT 및 IFV 인코딩을 통해 큰 영상 패치에서 추출한 형태 특징이 분류 성능 향상에 기여하는가?
• RQ3 HEp-2 세포 분류에서 텍스처 및 형태 특징 간 상호보완적 관계가 존재하는가?
• RQ4 텍스처 및 형태 특징을 단일 모델에서 융합한 결과, 상위 대회 참가자들이 사용한 앙상블 방법을 초월할 수 있는가?
• RQ5 최근 공개된 ICPR 2014 기준 데이터에서 제안된 방법은 최첨단 성능과 비교해 어떻게 되는가?

주요 결과

• PRICoLGBP 기술자는 다중 해상도 텍스처 정보를 캡처함으로써 단일 해상도 PRICoLBP 대비 분류 정확도를 73.9%에서 78.4%로 향상시켰다.
• IFV 인코딩을 통한 다중 척도 RootSIFT 특징은 VQ 기반 인코딩보다 유의미하게 뛰어나며, PRICoLBP와 융합했을 때 75.3%의 정확도를 달성했다.
• PRICoLGBP와 RootSIFT(IFV)의 융합은 ICIP 2013 데이터셋에서 79.5%의 정확도를 기록하여, ICIP 2013 대회 우승자보다 4.2% 높은 성능을 보였다.
• ICPR 2014 데이터셋에서는 평균 클래스 정확도 80.04%를 기록하였으며, 16개 모델을 사용한 우승자(80.25%)와 유사한 성능을 보였지만 단일 모델을 사용한 점에서 뛰어난 효율성을 입증했다.
• 특히 'Nucleolar' 및 'Golgi' 카테고리에서 가장 뛰어난 성능를 보였으며, 'Golgi'는 훈련 샘플 수가 제한되어 있어 가장 낮은 성능를 보였다.
• 가장 혼동이 많이 일어난 카테고리 쌍은 'Golgi'와 'Nucleolar', 그리고 'Speckled'와 'Homogeneous'이었으며, 이는 유사한 텍스처 및 형태 패턴 때문이었다.