[논문 리뷰] Parasitic Egg Detection and Classification in Low-cost Microscopic Images using Transfer Learning

Thanaphon Suwannaphong, Sawaphob Chavana외 4명|arXiv (Cornell University)|2021. 07. 02.

Digital Imaging for Blood Diseases인용 수 11

한 줄 요약

이 논문은 저가 USB 현미경으로 촬영한 저품질 현미경 영상에서 기생충 알을 탐지하고 분류하기 위해 AlexNet과 ResNet50를 기반으로 한 전이학습 기반의 CNN 프레임워크를 제안한다. 패치 기반 슬라이딩 윈도우 방식을 활용함으로써, 낮은 해상도의 도전적인 영상에서 최신의 객체 탐지 기술보다 뛰어난 성능을 달성하며, 자원이 제한된 환경에서 정확한 진단을 가능하게 한다.

ABSTRACT

Intestinal parasitic infection leads to several morbidities to humans worldwide, especially in tropical countries. The traditional diagnosis usually relies on manual analysis from microscopic images which is prone to human error due to morphological similarity of different parasitic eggs and abundance of impurities in a sample. Many studies have developed automatic systems for parasite egg detection to reduce human workload. However, they work with high quality microscopes, which unfortunately remain unaffordable in some rural areas. Our work thus exploits a benefit of a low-cost USB microscope. This instrument however provides poor quality of images due to limitation of magnification (10x), causing difficulty in parasite detection and species classification. In this paper, we propose a CNN-based technique using transfer learning strategy to enhance the efficiency of automatic parasite classification in poor-quality microscopic images. The patch-based technique with sliding window is employed to search for location of the eggs. Two networks, AlexNet and ResNet50, are examined with a trade-off between architecture size and classification performance. The results show that our proposed framework outperforms the state-of-the-art object recognition methods. Our system combined with final decision from an expert may improve the real faecal examination with low-cost microscopes.

연구 동기 및 목표

• 저가 USB 현미경에서 촬영한 저품질 현미경 영상에서 정확한 기생충 알 탐지 문제를 해결하기 위해.
• 농촌 및 자원이 제한된 열대 지역에서 고성능 현미경에 대한 의존도를 줄이기 위해.
• 전이학습을 활용한 강력하고 자동화된 기생충 알 분류 시스템을 개발하기 위해.
• 이미지 품질의 제약과 다양한 기생충 알 종 간의 형태 유사성 문제를 극복함으로써 진단 정확도를 향상시키기 위해.

제안 방법

• 저해상도 현미경 영상에서 후보 영역을 추출하기 위해 패치 기반 슬라이딩 윈도우 기법을 사용한다.
• 사전 훈련된 CNN—AlexNet과 ResNet50—를 사용하여 맞춤형 기생충 알 데이터셋에 대해 미세조정한 전이학습을 적용한다.
• 프레임워크는 영상 패치를 처리하여 대변 샘플 내 기생충 알의 국소화 및 분류를 수행한다.
• 저품질 영상 테스트 세트에서 정밀도, 재현율, F1 점수와 같은 표준 지표를 사용해 성능을 평가한다.
• 실제 진단 신뢰도를 향상시키기 위해 전문가 입력과의 최종 결합 의사결정 전략을 제안한다.
• 더 작은(AlexNet)과 더 깊은(ResNet50) 아키텍처를 비교함으로써 모델 복잡성과 정확도 사이의 균형을 확보한다.

실험 결과

연구 질문

• RQ1 전이학습이 저가 현미경에서 촬영한 저품질 영상에서 기생충 알 분류에 효과적으로 기여할 수 있는가?
• RQ2 낮은 해상도에서 패치 기반 슬라이딩 윈도우 방식이 기생충 알을 얼마나 잘 국소화하는가?
• RQ3 저해상도 영상에서 기생충 알을 탐지하고 분류하는 데 있어 AlexNet과 ResNet50의 비교 성능는 어떠한가?
• RQ4 제안된 시스템은 장내 기생충의 수동 진단에서 인간의 실수를 어느 정도 줄일 수 있는가?
• RQ5 자동화된 시스템과 전문가의 의사결정을 통합함으로써 실생활 환경에서 진단 정확도를 향상시킬 수 있는가?

주요 결과

• 제안된 시스템은 저가 USB 현미경에서 촬영한 저품질 현미경 영상에서 최신의 객체 탐지 기법보다 뛰어난 성능을 보였다.
• 더 깊은 아키텍처와 더 나은 특징 표현 능력을 바탕으로 ResNet50가 AlexNet보다 높은 분류 정확도를 달성했다.
• 낮은 확대율(10x)과 노이즈가 많은 영상 조건에서도 패치 기반 슬라이딩 윈도우 방법이 기생충 알을 성공적으로 국소화했다.
• 다양한 기생충 알 종 간의 형태 유사성 문제에 대해 시스템이 뛰어난 강건성을 보였다.
• 자동화된 결과와 전문가 검증을 통합함으로써 실제 대변 검사 워크플로우에서 진단 신뢰도가 크게 향상되었다.
• 효율성과 저가 이미징 하드웨어와의 호환성 덕분에 시스템은 자원이 제한된 환경에서의 구현에 적합하다.