[논문 리뷰] High Accuracy Classification of White Blood Cells using TSLDA Classifier and Covariance Features

Hamed Talebi, Amin Ranjbar외 3명|arXiv (Cornell University)|2019. 06. 12.

Digital Imaging for Blood Diseases참고 문헌 26인용 수 8

한 줄 요약

이 논문은 분할된 백혈구 영역에서 추출한 공분산 특징과 결합된 TSLDA 분류기를 사용하여 고정밀도의 백혈구(WBC) 분류 시스템을 제안한다. Naïve Bayes 군집화를 통한 분할과 공분산 서술자를 활용하여 텍스처 및 밝기 변화를 포괄함으로써, 이 방법은 골수 현미경 영상에서 98.02%의 분류 정확도를 달성하여 조명, 형태, 크기 변동성에 대한 강건성을 크게 향상시킨다.

ABSTRACT

creating automated processes in different areas of medical science with the application of engineering tools is a highly growing field over recent decades. In this context, many medical image processing and analyzing researchers use worthwhile methods in artificial intelligence, which can reduce necessary human power while increases accuracy of results. Among various medical images, blood microscopic images play a vital role in heart failure diagnosis, e.g., blood cancers. The prominent component in blood cancer diagnosis is white blood cells (WBCs) which due to its general characteristics in microscopic images sometimes make difficulties in recognition and classification tasks such as non-uniform colors/illuminances, different shapes, sizes, and textures. Moreover, overlapped WBCs in bone marrow images and neighboring to red blood cells are identified as reasons for errors in the classification task. In this paper, we have endeavored to segment various parts in medical images via Naïve Bayes clustering method and in next stage via TSLDA classifier, which is supplied by features acquired from covariance descriptor results in the accuracy of 98.02%. It seems that this result is delightful in WBCs recognition.

연구 동기 및 목표

• 미세현미경 영상에서 백혈구를 자동으로 고정밀도로 분류하는 시스템을 개발하기 위해.
• 비균일한 조도, 다양한 형태와 크기, 겹치는 세포 등의 문제를 해결하기 위해.
• 분할과 고급 특징 표현 및 전용 분류기의 조합을 통해 분류의 강건성을 향상시키기 위해.
• 실제 골수 영상 데이터셋에서 TSLDA 분류기와 공분산 서술자를 활용한 성능 평가를 수행하기 위해.

제안 방법

• 복잡한 골수 영상에서 WBC 영역을 분리하기 위해 Naïve Bayes 군집화 방법을 사용하여 백혈구를 분할한다.
• 분할된 WBC 영역에서 공분산 서술자를 추출하여 국소적 텍스처 및 밝기 패턴을 효과적으로 표현한다.
• TSLDA(Tensor-Sparse Linear Discriminant Analysis) 분류기를 활용하여 공분산 특징 기반으로 WBC를 분류한다.
• 텐서 기반 표현을 통해 공간적 및 통계적 특징을 통합하여 분류 능력을 향상시킨다.
• 공분산 행렬에서 파생된 특징 벡터를 TSLDA 분류기의 입력으로 사용하여 최적의 클래스 분리 성능을 달성한다.
• 이 시스템은 다양한 WBC 형태를 포함한 현미경 골수 영상 데이터셋을 기반으로 학습 및 테스트된다.

실험 결과

연구 질문

• RQ1 공분산 특징과 TSLDA의 조합이 기존 방법을 뛰어넘는 WBC 분류 정확도를 향상시킬 수 있는가?
• RQ2 비균일한 조도, 겹치는 세포 및 적혈구가 존재하는 복잡한 골수 영상에서 Naïve Bayes 군집화는 WBC 분할에 얼마나 효과적인가?
• RQ3 비균일한 조도와 형태 변동성 조건에서 공분산 서술자는 얼마나 높은 분류 성능 향상을 이룰 수 있는가?
• RQ4 제안된 TSLDA 및 공분산 특징 파이프라인을 통해 달성 가능한 분류 정확도는 어느 정도인가?

주요 결과

• 제안된 방법은 98.02%의 분류 정확도를 달성하여 WBC 인식에서 높은 성능을 입증한다.
• 공분산 서술자의 사용은 WBC 영역 내 텍스처 및 밝기 변화를 포착함으로써 특징 표현을 크게 향상시킨다.
• Naïve Bayes 군집화는 겹치는 세포와 인접한 적혈구가 존재하는 상황에서도 효과적으로 WBC를 분할한다.
• TSLDA 분류기는 텐서 및 희박 학습을 통합함으로써 표준 LDA보다 더 나은 클래스 분리 성능을 보인다.
• 이 시스템은 다양한 현미경 영상에서 비균일한 조도와 WBC의 형태 다양성에 대해 강건함을 보였다.