[논문 리뷰] Red Blood Cell Morphology Dataset for Image Classification

Saadallah, Mouna|arXiv (Cornell University)|2025. 02. 27.

Digital Imaging for Blood Diseases인용 수 8

한 줄 요약

이 논문은 혈액 스메어 영상에서 적혈구(RBC) 분할 및 분류를 위한 새로운 프레임워크를 제안하며, 오목점 탐지와 유도 타원형 피팅을 통해 겹치는 세포를 해결하고, 데이터 증강, 포칼 손실, 가중치 정규화를 사용하여 클래스 불균형 문제를 해결한다. EfficientNet-B1을 활용하여 12개 클래스의 RBC 데이터셋에서 92.1%의 정확도와 86.79%의 F1 스코어를 달성하며 기존 모델을 능가한다.

ABSTRACT

The dataset was compiled from multiple sources: Chula RBC-12-Dataset (Naruenatthanaset et al., 2021): The dataset includes the following classes: Normal, Macrocyte, Microcyte, Spherocyte, Target cell, Stomatocyte, Ovalocyte, Teardrop, Burr cell, Schistocyte, uncategorized, Hypochromia, and Elliptocyte. \url{https://github.com/Chula-PIC-Lab/Chula-RBC-12-Dataset} ThalassemiaPBS-Dataset (Tyas et al., 2022): This dataset represents nine distinct cell types. \url{https://doi.org/10.17632/rfdz6wfzn4.1} Our samples: This supplementary collection was provided by the Anti-Cancer Centre in El-Oued, Algeria. It contains 13 blood smear images representing five different RBC disorders: Burr cells, Ovalocyte, Teardrop. Schistocyte, and Stomatocyte These samples were provided in May 2024 using an optical microscope at 1000x magnification. We cropped each blood smear image from the Chula RBC-12 Dataset to cepture single RBCs and relevant ROI. We then categorized them according to their class using the referenced files provided by the authors. The "Label" folder found in the dataset is structured as follows: x and y coordinates, and the RBC type represented as values from 1 to 11. We did the same on the samples we got from the ACC. The labelling was done by specialists in the centre.

연구 동기 및 목표

• 혈액 스메어 영상에서 겹치는 RBC를 효과적으로 처리하여 정확한 분할 및 분류를 가능하게 한다.
• 정상 세포가 희귀 질환 유형보다 훨씬 많아지는 심각한 클래스 불균형 문제를 해결한다(불균형 비율 최대 34.538).
• 경량이며 실시간으로 동작하는 RBC 분류 시스템을 개발하여 모바일 장치에 적합하게 한다.
• 향후 기준 측정을 위해 공개 가능한 고품질의 12개 클래스 RBC 형태 데이터셋을 제공한다.

제안 방법

• RBC 경계의 오목점을 탐지하여 겹치는 영역을 식별한다.
• 볼록 곡선에 대해 유도 타원형 피팅을 적용하여 개별 RBC 형태를 추정하고 겹치는 세포를 분리한다.
• 색상 정규화를 적용하여 슬라이드 간 색상 변동성을 줄이고 모델의 일반화 능력을 향상시킨다.
• 다중 클래스 RBC 분류를 위해 EfficientNet-B1을 백본으로 활용한다.
• 다양한 데이터 증강, 포칼 손실, 가중치 정규화를 통합하여 다수 클래스에 대한 편향을 완화한다.
• Chula-RBC-12 데이터셋에서 모델의 강건성과 일반화 능력을 평가하기 위해 오차 분할 교차검증을 수행한다.

실험 결과

연구 질문

• RQ1 기하 제약 조건을 활용하여 현미경적 혈액 스메어 영상에서 겹치는 RBC를 효과적으로 분리할 수 있는가?
• RQ2 RBC 형태 분류에서 극심한 클래스 불균형 문제를 다루는 데 가장 효과적인 딥러닝 전략은 무엇인가?
• RQ3 EfficientNet-B1과 같은 경량 모델이 높은 정확도를 달성하면서도 모바일 배포에 적합한가?
• RQ4 다양한 데이터 증강, 포칼 손실, 가중치 정규화의 조합이 다른 기법에 비해 소수 클래스 성능 향상에 얼마나 효과적인가?

주요 결과

• 제안된 겹치는 세포 분리 방법은 분할 정확도 0.889를 달성했다.
• 데이터 증강과 포칼 손실을 적용한 EfficientNet-B1을 사용한 최고의 분류 성능은 92.1% 정확도와 86.79% F1 스코어였다.
• 가중치 정규화와 데이터 증강의 조합이 소수 클래스에서 가장 높은 F1 스코어를 기록했으며, 다른 손실 및 샘플링 전략을 능가했다.
• 오차 분할 교차검증에서 46개의 겹치는 세포 인스턴스를 모두 정확히 분류하여 복잡한 세포 구성에 대한 강건성을 입증했다.
• 혼동 행렬 분석 결과 748장의 테스트 이미지 중 오류로 잘못 분류된 샘플은 6개 뿐이었으며, 가장 흔한 오류는 형태가 유사한 클래스들(예: 도로사이트와 스키스토사이트) 간 오분류였다.
• 12개의 RBC 유형과 3,700장이 넘는 이미지를 포함하는 Chula-RBC-12 데이터셋의 공개는 향후 연구를 위한 유의미한 기준이 되었다.