[논문 리뷰] Learn to segment single cells with deep distance estimator and deep cell detector

Weikang Wang, David A. Taft외 6명|arXiv (Cornell University)|2018. 03. 28.

Cell Image Analysis Techniques참고 문헌 31인용 수 6

한 줄 요약

이 논문은 생세포 영상에서 단일세포 분할을 향상시키기 위해 깊이 신경망 기반의 거리 추정기와 깊이 세포 검출기를 조합한 새로운 딥러닝 프레임워크를 제안한다. 유클리드 거리 변환과 워터셰드 분할을 활용하여, 기존의 픽셀 단위 분류 방법에 비해 특히 노이즈가 많고 조밀하게 밀도가 높은 이미지에서 세포 수 계산 정확도가 크게 향상된다.

ABSTRACT

Single cell segmentation is critical and challenging in live cell imaging data analysis. Traditional image processing methods and tools require time-consuming and labor-intensive efforts of manually fine-tuning parameters. Slight variations of image setting may lead to poor segmentation results. Recent development of deep convolutional neural networks(CNN) provides a potentially efficient, general and robust method for segmentation. Most existing CNN-based methods treat segmentation as a pixel-wise classification problem. However, three unique problems of cell images adversely affect segmentation accuracy: lack of established training dataset, few pixels on cell boundaries, and ubiquitous blurry features. The problem becomes especially severe with densely packed cells, where a pixel-wise classification method tends to identify two neighboring cells with blurry shared boundary as one cell, leading to poor cell count accuracy and affecting subsequent analysis. Here we developed a different learning strategy that combines strengths of CNN and watershed algorithm. The method first trains a CNN to learn Euclidean distance transform of binary masks corresponding to the input images. Then another CNN is trained to detect individual cells in the Euclidean distance transform. In the third step, the watershed algorithm takes the outputs from the previous steps as inputs and performs the segmentation. We tested the combined method and various forms of the pixel-wise classification algorithm on segmenting fluorescence and transmitted light images. The new method achieves similar pixel accuracy but significant higher cell count accuracy than pixel-wise classification methods do, and the advantage is most obvious when applying on noisy images of densely packed cells.

연구 동기 및 목표

• 픽셀 단위 분류의 한계, 특히 노이즈가 많고 조밀하게 밀도가 높은 이미지에서의 단일세포 분할 문제를 해결하기 위해.
• 학습 데이터 부족, 희소한 경계 픽셀, 흐릿한 세포 특징 등의 과제를 극복하기 위해.
• 수동적인 파rameter 조정이 필요 없이 높은 정확도를 유지하는 견고한 종단 간 딥러닝 프레임워크를 개발하기 위해.
• 세포 수 계산 정확도 향상을 위해, 이는 후속 양적 생물학 분석에 매우 중요하다.

제안 방법

• 입력 영상에서 이진 세포 마스크의 유클리드 거리 변환을 예측하도록 딥 컨volution 네트워크(CNN)를 훈련한다.
• 두 번째 CNN은 예측된 거리 변환 맵에서 개별 세포 중심을 검출하도록 훈련된다.
• 워터셰드 알고리즘은 거리 변환과 세포 중심 예측 결과를 마커로 사용하여 최종 분할을 수행한다.
• 직접적인 픽셀 단위 분류를 피하기 위해, 거리 표현을 통한 구조적 세포 특징을 학습한다.
• 프레임워크는 종단 간으로 훈련되며, 전통적인 영상 처리(워터셰드)와 딥러닝을 통합하여 더 높은 견고성을 확보한다.
• 다양한 노이즈 수준과 밀도를 가진 형광 현미경 및 투과광 현미경 영상에서 평가된다.

실험 결과

연구 질문

• RQ1 픽셀 단위 분류에 비해 딥러닝 기반 방법이 노이즈가 많고 조밀하게 밀도가 높은 생세포 영상 데이터에서 세포 분할 정확도를 향상시킬 수 있는가?
• RQ2 경계 픽셀이 희소하고 특징이 흐릿한 상황에서 유클리드 거리 변환을 학습하는 것이 분할 성능 향상에 어떻게 기여하는가?
• RQ3 딥러닝과 워터셰드 알고리즘을 조합하는 방식이 어려운 생물학적 영상 환경에서 순수 딥러닝 기반 분할보다 얼마나 뛰어난가?
• RQ4 제안된 방법이 형광 현미경 및 투과광 현미경과 같은 다양한 영상 모odalities에 일반화되는가?
• RQ5 수동적인 파rameter 조정 의존도를 줄이면서도 세포 수 계산 정확도를 유지할 수 있는가?

주요 결과

• 제안된 방법은 최신 픽셀 단위 분류 방법과 유사한 픽셀 단위 분할 정확도를 달성한다.
• 특히 노이즈가 많고 조밀하게 밀도가 높은 조건에서 픽셀 단위 분류에 비해 세포 수 계산 정확도가 뚜렷이 뛰어나다.
• 세포 밀도가 높고 신호 대 노이즈 비율이 낮은 어려운 영상 조건에서 세포 수 계산 정확도 향상 효과가 가장 두드러진다.
• 워터셰드 분할과 깊이 거리 추정의 통합은 더 정확하고 생물학적으로 타당한 세포 경계를 도출한다.
• 형광 현미경 및 투과광 현미경을 포함한 다양한 영상 모달리티 간에 잘 일반화된다.
• 수동적인 파rameter 조정이 줄어들어, 더 견고하고 자동화된 단일세포 분할 솔루션을 제공한다.