[논문 리뷰] Malaria Detection and Classificaiton

Ruskin Raj Manku, Ayush Sharma외 1명|arXiv (Cornell University)|2020. 11. 29.

Digital Imaging for Blood Diseases참고 문헌 11인용 수 7

한 줄 요약

이 논문은 얇은 혈액 도말 영상에서 말라리아 감염을 탐지하고 분류하기 위한 이단계 딥러닝 프레임워크를 제안한다. 먼저 Faster R-CNN을 사용해 감염된 세포를 탐지하고, 이후 미세조정된 ResNet-50과 4층 분류기로 단계 수준 분류를 수행한다. 공개된 현장 염색 샘플 데이터셋에서 82%의 정확도를 달성하여 저소득 지역 연구의 기준선을 설정한다.

ABSTRACT

Malaria is a disease of global concern according to the World Health Organization. Billions of people in the world are at risk of Malaria today. Microscopy is considered the gold standard for Malaria diagnosis. Microscopic assessment of blood samples requires the need of trained professionals who at times are not available in rural areas where Malaria is a problem. Full automation of Malaria diagnosis is a challenging task. In this work, we put forward a framework for diagnosis of malaria. We adopt a two layer approach, where we detect infected cells using a Faster-RCNN in the first layer, crop them out, and feed the cropped cells to a seperate neural network for classification. The proposed methodology was tested on an openly available dataset, this will serve as a baseline for the future methods as currently there is no common dataset on which results are reported for Malaria Diagnosis.

연구 동기 및 목표

• 기초적인 병리의사 접근이 어려운 저소득 지역에 적합한 자동화된 현장 적용 가능한 말라리아 진단 시스템을 개발하기 위해.
• 말라리아 탐지 방법 간 공정한 비교를 위한 표준화되고 공개된 데이터셋의 부족 문제를 해결하기 위해.
• 탐지와 분류를 두 개의 전문화된 단계로 분리하여 RoI 풀링 층에서의 특징 손실을 줄이고 분류 정확도를 향상시키기 위해.
• 고품질의 Giemsa 염색 영상 뿐 아니라 저렴한 현장 염색 영상에서도 성능을 검증하여 실제 적용 가능성 확보를 위해.
• 공개된 데이터셋을 활용해 재현 가능한 기준선을 제공하여 향후 방법 개발 및 평가를 지원하기 위해.

제안 방법

• 이중 단계 접근 방식을 사용한다: 첫 번째로, Faster R-CNN이 감염된 적혈구(RBC)를 '감염'으로 분류하고 영역 제안을 생성함으로써 감염 세포를 탐지한다 (링, 트로포자이트, 슈이조트, 게임에토시트 단계 포함).
• 감지된 감염 영역를 잘라내고 고정 크기로 조정하여 이미지 특징을 유지함으로써, 종단 간 Faster R-CNN에서 RoI 풀링으로 인한 정보 손실을 방지한다.
• 잘라낸 감염 세포 영상은 사전 학습된 ResNet-50 모델을 통해 2048차원 특징 벡터를 추출한다.
• 이 특징 벡터들은 4층의 완전 연결 신경망에 입력되어 4개의 기생충 단계(링, 트로포자이트, 슈이조트, 게임에토시트)로 단계 수준 분류를 수행한다.
• 모든 클래스에 140张의 이미지(총 560장)를 균형 있게 배치하고, 학습에 90%, 테스트에 10%를 사용하여 균형 잡힌 평가를 확보한다.
• 공개된 얇은 혈액 도말 데이터셋을 사용하여 학습하며, Giemsa 염색의 저렴한 대체재인 현장 염색을 사용함으로써 현장 적용 가능성을 높였다.

실험 결과

연구 질문

• RQ1 이중 단계 딥러닝 파이프라인은 이미지 특징을 유지하면서도 단일 단계 Faster R-CNN보다 말라리아 기생충 단계 분류 성능을 뛰어나게 할 수 있는가?
• RQ2 현장 염색 혈액 도말에서의 성능은 고품질의 Giemsa 염색 영상과 비교해 탐지 및 분류 정확도 측면에서 어떻게 다른가?
• RQ3 공개 가능한 현장 관련 데이터셋이 향후 말라리아 진단 모델의 신뢰할 수 있는 기준선으로 기능할 수 있는가?
• RQ4 탐지와 분류를 분리함으로써 RoI 풀링에서의 특징 손실을 줄이고 분류 정확도를 향상시킬 수 있는가?
• RQ5 저소득, 현장 수준의 진단 설정에서 신뢰할 수 있는 배포를 위해 필요한 정밀도, 재현율 및 정확도 수준은 무엇인가?

주요 결과

• 이중 단계 접근 방식은 테스트 세트에서 총 정확도 82%를 달성했으며, 매크로 F1 스코어는 0.82, 웨이트드 F1 스코어는 0.82였다.
• 탐지 단계에서 평균 정밀도(mAP)는 0.832, 재현율은 0.69를 기록하여 감염 세포를 식별하는 데 강력한 성능을 보였다.
• 분류 모델은 높은 정밀도와 재현율을 보였다: 링 단계 0.91, 슈이조트 0.87, 게임에토시트 0.80, 트로포자이트 0.73.
• 기본적인 단일 단계 Faster R-CNN(기생충 단계 직접 분류)과 비교했을 때, 이중 단계 방법이 유의미하게 뛰어난 성능을 보였으며, mAP는 0.4에서 0.832로 상승했다.
• 이 연구는 현장 염색을 사용한 얇은 혈액 도말을 활용한 말라리아 진단을 위한 첫 번째 공개 가능한 기준 데이터셋을 구축하여 향후 방법 간 공정한 비교를 가능하게 했다.
• 모델은 저소득 지역에서 흔한 현장 염색 영상에 대해 뛰어난 내구성을 보이며, 실제 진단 환경에서의 실용성을 시사한다.