[논문 리뷰] Image Segmentation and Classification for Sickle Cell Disease using Deformable U-Net

Mo Zhang, Xiang Li외 2명|arXiv (Cornell University)|2017. 10. 23.

Digital Imaging for Blood Diseases참고 문헌 14인용 수 23

한 줄 요약

이 논문은 낙관성 병변(스컬리드 세포병, SCD)의 적혈구(RBC) 영상에서 세포 분할 및 분류를 동시에 수행하는 변형 가능 U-Net 아키텍처를 제안한다. U-Net 프레임워크에 변형 가능 컨볼루션을 통합함으로써 모델은 다양한 RBC 형태, 크기 및 영상 잡음에 적응할 수 있으며, 수동으로 주석 처리된 현미경 영상 데이터셋에서 97.8%의 분할 정확도와 82.7%의 분류 정확도를 달성하여 표준 U-Net보다 뚜렷이 뛰어난 성능을 보였다.

ABSTRACT

Reliable cell segmentation and classification from biomedical images is a crucial step for both scientific research and clinical practice. A major challenge for more robust segmentation and classification methods is the large variations in the size, shape and viewpoint of the cells, combining with the low image quality caused by noise and artifacts. To address this issue, in this work we propose a learning-based, simultaneous cell segmentation and classification method based on the deep U-Net structure with deformable convolution layers. The U-Net architecture for deep learning has been shown to offer a precise localization for image semantic segmentation. Moreover, deformable convolution layer enables the free form deformation of the feature learning process, thus makes the whole network more robust to various cell morphologies and image settings. The proposed method is tested on microscopic red blood cell images from patients with sickle cell disease. The results show that U-Net with deformable convolution achieves the highest accuracy for segmentation and classification, comparing with original U-Net structure.

연구 동기 및 목표

• 스컬리드 세포병(SCD) 적혈구를 동시에 분할 및 분류할 수 있는 엔드 투 엔드 딥 러닝 프레임워크를 개발하기 위해.
• 형태학적 이질성, 겹치는 세포, 노이즈 및 잡음으로 인한 낮은 영상 품질 등 RBC 영상 분석의 과제를 해결하기 위해.
• 유연한 수신장( receptive fields )을 통해 세포 크기, 형태, 시점의 공간적 변동성에 대한 강건성을 향상시키기 위해.
• 엔드 투 엔드로 구분 가능한 특징을 학습함으로써 수동 특징 추출에 의존하지 않기 위해.
• 임상 현미경 영상에서 딥 러닝을 활용해 정확하고 자동화된 SCD 진단을 가능하게 하기 위해.

제안 방법

• 모든 네트워크에서 표준 컨볼루션 레이어를 변형 가능 컨볼루션 레이어로 대체함으로써 변형 가능 U-Net 아키텍처를 개발하였다.
• 변형 가능 컨볼루션은 특징 추출을 위한 적응형 샘플링 위치를 학습하여, 비정상적인 RBC 형태를 더 잘 포착할 수 있는 탄력적이고 데이터 기반의 수신장을 가능하게 한다.
• U-Net 아키텍처의 인코더에서 디코더로 이어지는 스킵 연결은 공간적 세부 정보를 유지하여 분할의 국소화 정확도를 향상시킨다.
• 모델은 88개의 수동 주석 처리된 RBC 영상 패치(88개 샘플)에서 엔드 투 엔드로 훈련되었으며, 48개는 훈련용, 40개는 테스트용으로 사용되었다.
• 이미지 강화나 사전 처리(예: 노이즈 제거)는 적용되지 않았으며, 원본 256×256 패치를 직접 훈련 및 추론에 사용하였다.
• 프레임워크는 단일 순방향 전파에서 픽셀 수준의 의미 분할 및 분류를 수행하여 세포 경계와 병적 상태를 동시에 예측할 수 있다.

실험 결과

연구 질문

• RQ1 노이즈가 많고 품질이 낮은 현미경 영상에서 딥 러닝 모델이 스컬리드 세포병 RBC를 정확하게 분할 및 분류할 수 있는가?
• RQ2 표준 U-Net과 비교해 변형 가능 컨볼루션을 U-Net에 통합함으로써 RBC 크기, 형태 및 영상 잡음의 변동성에 대한 강건성이 향상되는가?
• RQ3 명시적인 특징 공학 또는 이미지 사전 처리 단계 없이도 높은 성능을 달성할 수 있는가?
• RQ4 분할 정확도, 분류 정확도 및 임의 경고 수치(양성 오류 검출) 측면에서 변형 가능 U-Net은 표준 U-Net보다 어떻게 비교되는가?
• RQ5 겹쳐진 세포나 낙관성 형태의 세포와 같은 복잡한 RBC 형태에도 일반화 가능한가?

주요 결과

• 변형 가능 U-Net은 97.8%의 분할 정확도를 달성하여 표준 U-Net(94.7%)보다 뚜렷이 뛰어났다.
• 세포 분류에서 변형 가능 U-Net은 82.7%의 정확도를 기록했으며, 표준 U-Net은 73.1%였다.
• 변형 가능 U-Net은 표준 U-Net 대비 33% 적은 양성 오류를 기록하여 노이즈 거부 능력이 뛰어났다.
• 더 부드럽고 정확한 세포 경계 예측을 제공하여 조각 나거나 완전하지 못한 레이블링을 줄였다.
• 변형 가능 U-Net은 표준 U-Net의 45에서 12로 낮은 Error II 비율을 기록하여 세포 영역 전반에 걸쳐 더 일관된 분류를 보였다.
• 비록 훈련 시간이 4배 증가했지만, 추론 속도는 두 모델 간 거의 동일했다.