[논문 리뷰] Improving Malaria Parasite Detection from Red Blood Cell using Deep Convolutional Neural Networks

Aimon Rahman, Hasib Zunair외 6명|arXiv (Cornell University)|2019. 07. 23.

Digital Imaging for Blood Diseases참고 문헌 43인용 수 69

한 줄 요약

논문은 세분화된 적혈구 패치로부터 말라리아 기생충을 탐지하기 위한 엔드-투-엔드 심층 CNN 방법을 제시하며, NIH Malaria Dataset에서 97.77%의 정확도를 달성한다.

ABSTRACT

Malaria is a female anopheles mosquito-bite inflicted life-threatening disease which is considered endemic in many parts of the world. This article focuses on improving malaria detection from patches segmented from microscopic images of red blood cell smears by introducing a deep convolutional neural network. Compared to the traditional methods that use tedious hand engineering feature extraction, the proposed method uses deep learning in an end-to-end arrangement that performs both feature extraction and classification directly from the raw segmented patches of the red blood smears. The dataset used in this study was taken from National Institute of Health named NIH Malaria Dataset. The evaluation metric accuracy and loss along with 5-fold cross validation was used to compare and select the best performing architecture. To maximize the performance, existing standard pre-processing techniques from the literature has also been experimented. In addition, several other complex architectures have been implemented and tested to pick the best performing model. A holdout test has also been conducted to verify how well the proposed model generalizes on unseen data. Our best model achieves an accuracy of almost 97.77%.

연구 동기 및 목표

• 세분화된 RBC 패치로부터 말라리아 검출을 위한 핸드 엔지니어드 특징 추출을 엔드-투-엔드 심층 학습 모델로 대체한다.
• 다양한 심층 CNN 아키텍처를 평가하여 최상의 성능 모델을 식별한다.
• 표준 전처리 기법이 모델 성능에 미치는 영향을 평가한다.
• 5-fold cross-validation에 더해 holdout 테스트를 사용하여 일반화를 검증한다.

제안 방법

• 엔드-투-엔드 CNN은 혈액 도말의 원시 세분화 패치에 직접적으로 학습된다.
• 여러 CNN 아키텍처가 구현되어 최상의 성능 모델을 선택하기 위해 테스트된다.
• 문헌에서 제시된 표준 전처리 기법들을 성능 극대화를 위해 실험한다.
• 성능은 5-fold cross-validation 하에서 정확도와 손실 지표를 사용하여 평가된다.
• 보류 테스트(holdout test)를 사용하여 보지 않은 데이터에 대한 일반화를 평가한다.
• 사용된 데이터셋은 NIH Malaria Dataset이다.

실험 결과

연구 질문

• RQ1 깊은 CNN이 전통적 특징 기반 방법에 비해 세분화된 RBC 패치에서 말라리아 기생충 탐지를 개선할 수 있는가?
• RQ2 이 작업에 대해 NIH Malaria Dataset에서 어떤 CNN 아키텍처가 최상의 성능을 제공하는가?
• RQ3 표준 전처리 단계가 모델 성능에 미치는 영향은 무엇인가?
• RQ4 제안된 모델이 holdout 테스트를 통해 보지 않은 데이터에 일반화가 잘 되는가?

주요 결과

• 최고의 모델은 97.77%의 정확도를 달성한다.
• 모델 평가는 5-fold cross-validation으로 정확도와 손실을 사용하여 최적의 아키텍처를 선택했다.
• 문헌의 전처리 기법들이 성능 극대화를 위해 테스트되었다.
• 미지 데이터에 대한 일반화를 검증하기 위해 holdout 테스트가 수행되었다.
• 평가를 위해 NIH Malaria Dataset가 사용되었다.
• 여러 딥 아키텍처가 구현되어 최상위 성능을 가진 모델을 식별하기 위해 비교되었다.