[논문 리뷰] Plasmodium Detection Using Simple CNN and Clustered GLCM Features

Julisa Bana Abraham|ArXiv.org|2019. 09. 28.

Digital Imaging for Blood Diseases참고 문헌 6인용 수 7

한 줄 요약

이 논문은 얇은 혈액 도말 영상에서 자동으로 Plasmodium를 감지하기 위한 하이브리드 딥러닝 및 수작업 특징 기반 접근법을 제안한다. 간단한 컨볼루션 신경망(CNN)을 사용해 초도 분류를 수행하고, 관심 영역(ROI) 패치에 대해 군집화된 회색 수준 공존 행렬(GLCM) 특징을 적용하여 잠재적 거짓 양성 결과를 감소시킨다. 이로 인해 97%의 민감도와 81%의 양성 예측도(PPV)를 달성한다.

ABSTRACT

Malaria is a serious disease caused by the Plasmodium parasite that transmitted through the bite of a female Anopheles mosquito and invades human erythrocytes. Malaria must be recognized precisely in order to treat the patient in time and to prevent further spread of infection. The standard diagnostic technique using microscopic examination is inefficient, the quality of the diagnosis depends on the quality of blood smears and experience of microscopists in classifying and counting infected and non-infected cells. Convolutional Neural Networks (CNN) is one of deep learning class that able to automate feature engineering and learn effective features that could be very effective in diagnosing malaria. This study proposes an intelligent system based on simple CNN for detecting malaria parasites through images of thin blood smears. The CNN model obtained high sensitivity of 97% and relatively high PPV of 81%. This study also proposes a false positive reduction method using feature clustering extracted from the gray level co-occurrence matrix (GLCM) from the Region of Interests (ROIs). Adding the GLCM feature can significantly reduce false positives. However, this technique requires manual set up of silhouette and euclidean distance limits to ensure cluster quality, so it does not adversely affect sensitivity.

연구 동기 및 목표

• 자가진단 효율성과 정확도 향상을 위해 얇은 혈액 도말 영상에서 Plasmodium 기생충을 자동으로 감지할 수 있는 시스템을 개발하는 것.
• 수동 현미경 진단의 한계, 즉 주관성과 전문가 경험에 대한 의존성 문제를 해결하는 것.
• 관심 영역(ROI)에서 유도한 수작업 텍스처 특징을 활용해 말라리아 감지에서의 거짓 양성 비율을 낮추는 것.
• 복잡한 모델 아키텍처 없이도 진단 성능을 향상시키기 위해 단순한 CNN과 군집화된 GLCM 특징을 통합하는 것.
• 실제 진단 환경에서 GLCM 특징 군집화가 민감도와 양성 예측도(PPV)에 미치는 영향을 평가하는 것.

제안 방법

• 전체 혈액 도말 영상에 대해 단순한 컨볼루션 신경망(CNN)을 훈련시어 감염 여부를 감염 또는 비감염으로 분류한다.
• 주의력 또는 세그멘테이션 기반으로 관심 영역(ROIs)을 추출하여 기생충이 포함된 영역에 집중한다.
• 각 ROI에서 텍스처 패턴을 감지하는 데 유용한 특징을 추출하기 위해 회색 수준 공존 행렬(GLCM) 특징을 계산한다.
• 유사한 텍스처 패턴을 그룹화하고 거짓 양성 결과를 식별하기 위해 유클리드 거리 및 실루엣 지표를 사용해 GLCM 특징을 군집화한다.
• 민감도를 유지하면서 거짓 양성 결과를 줄이기 위해 실루엣 및 유클리드 거리의 수동 조정된 임계값을 사용한다.
• 최종 감지 시스템은 CNN 예측 결과와 군집화된 GLCM 특징을 융합하여 분류를 정밀화하고 PPV를 향상시킨다.

실험 결과

연구 질문

• RQ1 간단한 CNN 모델이 얇은 혈액 도말 영상에서 Plasmodium 기생충 감지를 위해 높은 민감도를 달성할 수 있는가?
• RQ2 수작업 특징 기반 GLCM 텍스처 특징이 말라리아 감지에서 거짓 양성 비율을 얼마나 줄일 수 있는가?
• RQ3 GLCM 특징 군집화가 민감도와 양성 예측도(PPV)의 균형에 어떤 영향을 미치는가?
• RQ4 민감도를 저하시키지 않으면서 실루엣 및 유클리드 거리 임계값의 최적 설정은 무엇인가?
• RQ5 CNN과 군집화된 GLCM 특징의 통합이 단독 CNN보다 진단 정확도와 내구성 측면에서 뛰어나게 성능을 향상시킬 수 있는가?

주요 결과

• 제안된 CNN 모델은 97%의 민감도를 달성하여 감염 세포를 탐지하는 데 강력한 능력을 보였다.
• CNN 모델의 양성 예측도(PPV)는 81%로, 감염 사례를 분류하는 데 중간 정도의 정밀도를 보였다.
• 군집화된 GLCM 특징의 통합은 민감도에 영향을 주지 않은 채 거짓 양성 결과의 수를 크게 감소시켰다.
• 거짓 양성 결과 감소 방법은 군집 품질을 유지하기 위해 실루엣 및 유클리드 거리 임계값을 수동으로 조정할 필요가 있었다.
• CNN과 군집화된 GLCM 특징의 조합은 기생충이 아닌 구조물이 감염을 모방하는 것을 걸러내어 진단 신뢰도를 향상시켰다.
• 이 시스템은 민감도와 PPV 사이의 실용적인 트레이드오프를 보이며, 자원이 제한된 진단 환경에 구현 가능한 것으로 나타났다.