[논문 리뷰] Multi-scale Regional Attention Deeplab3+: Multiple Myeloma Plasma Cells Segmentation in Microscopic Images

Afshin Bozorgpour, Reza Azad외 2명|arXiv (Cornell University)|2021. 05. 13.

Digital Imaging for Blood Diseases인용 수 12

한 줄 요약

이 논문은 뼈마개 미세현미경 영상에서 다발성 골수종 플라즈마 세포의 인스턴스 수준 분할을 위한 이단계 딥러닝 프레임워크를 제안한다. 핵 검출을 위해 U-Net을 사용한 후, 다중 척도 영역 주의 DeepLabv3+ 네트워크와 척도 집합을 활용하여 세포질 분할을 정밀하게 개선하였으며, SegPC2021 대회에서 2등(мIoU: 0.9385)을 기록하였다.

ABSTRACT

Multiple myeloma cancer is a type of blood cancer that happens when the growth of abnormal plasma cells becomes out of control in the bone marrow. There are various ways to diagnose multiple myeloma in bone marrow such as complete blood count test (CBC) or counting myeloma plasma cell in aspirate slide images using manual visualization or through image processing technique. In this work, an automatic deep learning method for the detection and segmentation of multiple myeloma plasma cell have been explored. To this end, a two-stage deep learning method is designed. In the first stage, the nucleus detection network is utilized to extract each instance of a cell of interest. The extracted instance is then fed to the multi-scale function to generate a multi-scale representation. The objective of the multi-scale function is to capture the shape variation and reduce the effect of object scale on the cytoplasm segmentation network. The generated scales are then fed into a pyramid of cytoplasm networks to learn the segmentation map in various scales. On top of the cytoplasm segmentation network, we included a scale aggregation function to refine and generate a final prediction. The proposed approach has been evaluated on the SegPC2021 grand-challenge and ranked second on the final test phase among all teams.

연구 동기 및 목표

• 골수 흡인 슬라이드 영상에서 다발성 골수종 플라즈마 세포의 정확하고 자동화된 분할 문제를 해결하기 위해.
• 수동 병리학자 평가에 내재된 상호 및 내부 관찰자 간 변동성을 줄이기 위해.
• 다중 척도 표현과 핵 유도 감독을 활용하여 세포질 분할 정확도를 향상시키기 위해.
• 다발성 골수종 진단의 임상 의사결정 지원을 위한 견고하고 인스턴스 인식 가능한 분할 파이프라인을 개발하기 위해.

제안 방법

• 이중 단계 딥러닝 파이프라인을 사용한다: 먼저, 개별 플라즈마 세포 핵을 검출하고 분할하기 위해 U-Net 모델을 훈련시킨다.
• 각 검출된 핵은 잘라내어 세포질 분할을 위한 다중 척도 영상 패치를 생성하기 위한 관심 영역으로 사용된다.
• 피라미드 형태의 주의 DeepLabv3+ 네트워크가 각 척도를 처리하여 세포질 예측을 위한 다중 척도 문맥적 특징을 학습한다.
• 척도 집합 기능은 각 척도에서 세포질 면적 대 핵 면적 비율을 평가하여 최적의 분할 마스크를 선택한다.
• 핵 마스크는 세포질 분할 네트워크 훈련 중에 감독 신호로 사용되어 정확도를 향상시킨다.
• 훈련은 단일 GTX 1080 GPU에서 Adam 옵timizer를 사용하여 100 에포크 동안 교차 엔트로피 손실을 적용한다.

실험 결과

연구 질문

• RQ1 다중 척도 영역 기반 주의 메커니즘이 다발성 골수종 플라즈마 세포의 세포질 분할 정확도를 향상시키는가?
• RQ2 핵 마스크 감독은 세포질 분할 성능 향상에 얼마나 효과적인가?
• RQ3 면적 비율 기반 척도 집합 전략이 비-maximum suppression과 같은 표준 융합 전략보다 우수한가?
• RQ4 핵 검출과 다중 척도 세포질 분할을 조합한 이중 단계 접근 방식이 실제 뼈마개 영상 데이터에서 최신 기술 수준의 성능을 달성할 수 있는가?

주요 결과

• 제안된 방법은 SegPC2021 대회 최종 테스트 단계에서 평균 교차율(mIoU) 점수 0.9385를 기록하여 참가 팀 중 2위를 차지하였다.
• 대부분의 경쟁자보다 뛰어난 성능을 보였으며, 1위 팀과의 mIoU 격격은 0.0004에 불과하여 높은 정밀도의 분할을 보였다.
• 세포질 대 핵 면적 비율 히스토그램 분석을 통한 척도 선택 전략은 네 개의 명확한 피크를 식별하여 최적의 수용 영역 커버리지를 위해 네 개의 척도를 사용하는 것이 타당함을 입증하였다.
• 핵 마스크를 감독 신호로 포함시킴으로써 네트워크가 관련 영역에 집중하도록 유도하여 세포질 분할 정확도가 크게 향상되었다.
• 면적 비율을 각 척도에서 평가하는 척도 집합 기능은 비-maximum suppression과 같은 표준 융합 방법보다 뛰어난 성능을 보였다.