[논문 리뷰] LeukoNet: DCT-based CNN architecture for the classification of normal versus Leukemic blasts in B-ALL Cancer

Simmi Mourya, Sonaal Kant외 3명|arXiv (Cornell University)|2018. 10. 18.

Digital Imaging for Blood Diseases인용 수 26

한 줄 요약

이 논문은 B-ALL에서 정상 혈구모세포와 백혈병성 블라스트를 분류하기 위해 주파수 도메인(DCT) 및 공간 도메인(광학 밀도) 특징을 융합하는 새로운 DCT 기반 CNN 아키텍처인 LeukoNet을 제안한다. 이중선형 풀링과 모델 앙상블을 통해 DCT 처리된 특징과 표준 OD 공간 특징을 결합함으로써, 미리 보지 못한 환자 데이터에 대해 높은 강건성과 일반화 능력을 확보하여 98.5%의 정확도를 달성한다.

ABSTRACT

Acute lymphoblastic leukemia (ALL) constitutes approximately 25% of the pediatric cancers. In general, the task of identifying immature leukemic blasts from normal cells under the microscope is challenging because morphologically the images of the two cells appear similar. In this paper, we propose a deep learning framework for classifying immature leukemic blasts and normal cells. The proposed model combines the Discrete Cosine Transform (DCT) domain features extracted via CNN with the Optical Density (OD) space features to build a robust classifier. Elaborate experiments have been conducted to validate the proposed LeukoNet classifier.

연구 동기 및 목표

• B-ALL 미세현미경 영상에서 형태학적으로 유사한 정상 혈구모세포와 백혈병성 블라스트를 구분하는 도전 과제 해결.
• 환자 수준의 분리된 데이터 분할을 통해 훈련함으로써, 새로운 환자 주제에 대한 분류 강건성 향상.
• 딥 러닝 프레임워크 내에서 이산余弦변환(DCT) 특징과 광학 밀도(OD) 공간 특징을 통합하여 특징 표현 향상.
• 다양한 트레이닝된 네트워크를 조합하여 일반화 능력을 향상시키고 예측의 분산을 줄이는 하이브리드 모델 아키텍처 개발.
• 임상적 상황에서 치명적인 오진진단을 방지하기 위해 정상 세포 및 암세포 클래스 모두에서 높고 균형 잡힌 분류 정확도 확보.

제안 방법

• 원시 BMP 이미지에 염색 탈구합을 적용하여 광학 밀도(OD) 공간 표현을 추출하고, 헤마토이신 및 에오신 성분을 분리.
• 염색 탈구합 단계 이후에 DCT(이산余弦변환) 레이어를 도입하여 OD 이미지에서 주파수 도메인 특징을 추출.
• 원래의 OD 공간 이미지와 DCT 변환된 이미지 각각에 대해 별도의 CNN 브랜치를 훈련시어 공간 도메인과 주파수 도메인 특징을 보완적으로 캡처.
• 양 브랜치의 특징 맵을 결합(6채널 입력)하고, 평균 풀링 대신 이중선형 풀링을 적용하여 세밀한 특징 학습 향상.
• 최고 성능을 보인 개별 모델들—특히 DCT 브랜치와 OD 브랜치 모델의 특징을 조합하는 방식—을 앙상블하여 최종 완전 연결 레이어를 통해 하이브리드 모델 아키텍처를 구현.
• 교차 검증을 위해 환자 수준의 데이터 분할을 사용하여 한 환자의 데이터가 훈련 및 테스트에 동시에 포함되지 않도록 하여, 향후 환자에 대한 일반화 능력 향상.

실험 결과

연구 질문

• RQ1 DCT를 통해 추출한 주파수 도메인 특징이 B-ALL에서 형태학적으로 유사한 정상 혈구모세포와 백혈병성 블라스트의 분류 성능 향상에 기여하는가?
• RQ2 하이브리드 CNN 아키텍처에서 DCT 기반 특징과 공간 도메인 특징을 융합함으로써, 새로운 환자 주제에 대한 일반화 능력 향상이 이루어지는가?
• RQ3 DCT를 사용하는 모델과 사용하지 않는 모델의 두 개의 서로 다른 CNN 아키텍처를 앙상블함으로써 분류 정확도와 안정성에 어떤 영향을 미치는가?
• RQ4 제한된 의료 영상 데이터셋에서 데이터 증강(기울임, 흐림)이 모델 성능과 훈련 안정성에 어떤 영향을 미치는가?
• RQ5 다양한 트레이닝된 네트워크의 특징을 융합하는 하이브리드 모델이 개별 모델 대비 테스트 데이터에서 정확도와 강건성 측면에서 뛰어난 성능을 보이는가?

주요 결과

• 하이브리드 모델 'Stage-3C w/ aug'가 최고의 테스트 정확도 98.5%를 기록하여 DCT와 OD 공간 특징을 융합하는 것이 효과적임을 입증.
• DCT 특징의 포함으로 인해 DCT 없이 훈련된 모델 대비 정확도 향상과 훈련 과정의 변동성 감소가 측정됨.
• 딥 러닝에서의 잠재적 이점이 제안된 ReLU 활성화 함수가 이 특정 분류 과제에서 PReLU 및 P-TELU보다 우수한 성능을 보임.
• 가장 높은 성능을 보인 두 모델(‘Stage-1 w/ aug’ 및 ‘Stage-2C w/o aug’)은 상호 배타적인 실패 패턴을 보였으며, 이는 모델 앙상블의 유용성을 검증.
• 데이터 증강 없이 훈련된 하이브리드 모델도 증강이 적용된 모델와 유사한 성능을 보였지만, 'Stage-3C' 구성에서 증강이 가장 높은 성능을 낳음.
• 교차 검증 중 환자 수준의 데이터 분할 덕분에 최종 모델는 미리 보지 못한 환자 데이터에 대해 강력한 일반화 능력을 보였으며, 폴드 간 데이터 泄漏 없음.