[논문 리뷰] Using Convolutional Neural Networks for Determining Reticulocyte Percentage in Cats

Krunoslav Vinicki, Pierluigi Ferrari외 2명|arXiv (Cornell University)|2018. 03. 13.

Cell Image Analysis TechniquesBiochemistry, Genetics and Molecular Biology참고 문헌 6인용 수 19

한 줄 요약

이 논문은 펫 혈액 도말 영상에서 림프구를 자동으로 세는 데에 사전 훈련된 Single-Shot MultiBox Detector (SSD)를 Keras에 통합한 딥러닝 접근법을 제안한다. 라벨이 부여된 이미지 800장으로만 훈련된 모델은 림프구 수를 예측하는 데 98.7%의 정확도를 달성하여, 데이터가 제한된 수의 동물의학 분야에서도 접근 가능하고 고정확도를 가진 인공지능 솔루션이 가능하다는 것을 입증한다.

ABSTRACT

Recent advances in artificial intelligence (AI), specifically in computer vision (CV) and deep learning (DL), have created opportunities for novel systems in many fields. In the last few years, deep learning applications have demonstrated impressive results not only in fields such as autonomous driving and robotics, but also in the field of medicine, where they have, in some cases, even exceeded human-level performance. However, despite the huge potential, adoption of deep learning-based methods is still slow in many areas, especially in veterinary medicine, where we haven't been able to find any research papers using modern convolutional neural networks (CNNs) in medical image processing. We believe that using deep learning-based medical imaging can enable more accurate, faster and less expensive diagnoses in veterinary medicine. In order to do so, however, these methods have to be accessible to everyone in this field, not just to computer scientists. To show the potential of this technology, we present results on a real-world task in veterinary medicine that is usually done manually: feline reticulocyte percentage. Using an open source Keras implementation of the Single-Shot MultiBox Detector (SSD) model architecture and training it on only 800 labeled images, we achieve an accuracy of 98.7% at predicting the correct number of aggregate reticulocytes in microscope images of cat blood smears. The main motivation behind this paper is to show not only that deep learning can approach or even exceed human-level performance on a task like this, but also that anyone in the field can implement it, even without a background in computer science.

연구 동기 및 목표

• 고양이 혈액 도말 영상에서 자동으로 림프구 수를 세는 접근 가능하고 딥러닝 기반의 방법을 개발하기 위해.
• 수의학 영상 분야에서 라벨이 부족한 데이터로도 높은 정확도의 결과를 달성할 수 있음을 입증하기 위해.
• Keras와 같은 오픈소스 도구를 활용하여 수의학 분야의 비컴퓨터 과학 전문가들이 접근할 수 있도록 장벽을 낮추기 위해.
• 딥러닝 모델이 실제 수의학 진단 과제에서 인간 수준의 성능을 따라하거나 뛰어넘을 수 있음을 검증하기 위해.
• 제한된 계산 자원과 데이터 요구 사항으로도 가능성을 입증함으로써, 수의학 분야에서 인공지능의 광범위한 도입을 촉진하기 위해.

제안 방법

• 저자는 객체 검출을 위해 오픈소스 Keras 구현체를 사용한 Single-Shot MultiBox Detector (SSD) 아키텍처를 사용하였다.
• 모델은 림프구를 포함한 고양이 혈액 도말 영상 800장으로 구성된 데이터셋에서 미세조정(fine-tuned)되었다.
• 림프구는 검출 및 세는 대상으로 간주되었으며, 각 세포를 국소화하기 위해 바운딩 박스가 사용되었다.
• 작은 데이터셋에서의 일반화 성능 향상을 위해 전이 학습(transfer learning)과 데이터 증강(data augmentation)을 적용하였다.
• 모델 평가는 보류된 테스트 세트에서 표준 분류 정확도 지표를 사용하여 수행되었다.
• 고도로 전문적인 컴퓨터 과학 지식이 없는 사용자들도 사용할 수 있도록 재현 가능하고 접근성이 높은 구현 방식을 설계하였다.

실험 결과

연구 질문

• RQ1 800장의 라벨이 부여된 이미지로만 훈련된 딥러닝 모델이 고양이 혈액 도말 영상에서 림프구 수를 높은 정확도로 세는 데 성공할 수 있는가?
• RQ2 라벨이 부족한 수의학 영상 과제에 대해 사전 훈련된 SSD 모델을 효과적으로 미세조정할 수 있는가?
• RQ3 수의학 분야의 비컴퓨터 과학 전문가들이 오픈소스 도구를 사용해 이러한 모델을 구현하고 사용하는 것이 가능한가?
• RQ4 이 모델의 성능이 인간 수준의 정확도를 넘어서거나 이를 충족하는가?
• RQ5 이 접근 방식은 임상 환경에서 수작업 림프구 수 세기의 확장 가능하고 저비용 대안이 될 수 있는가?

주요 결과

• 모델은 혈액 도말 영상에서 림프구 총합 수를 정확히 예측하는 데 테스트 정확도 98.7%를 달성하였다.
• 모델은 라벨이 부여된 이미지 800장으로만 훈련되었음에도 불구하고 높은 신뢰성을 보였으며, 제한된 데이터로도 강력한 일반화 능력을 가짐을 시사한다.
• 전이 학습과 Keras 기반의 SSD 프레임워크를 활용함으로써, 광범위한 계산 자원 없이도 효과적인 훈련이 가능했다.
• 결과적으로 딥러닝 모델이 수의학 림프구 수 세기 과제에서 인간 수준 또는 그 이상의 성능을 달성할 수 있음을 시사한다.
• 저자들이 오픈소스 도구와 최소한의 기술적 요구 사항을 통해 사용성에 중점을 두었기 때문에, 비전문가에게도 접근 가능한 구현이 가능했다.
• 이 연구는 제한된 데이터와 기술적 장벽으로도 인공지능을 수의학 진단에 통합할 수 있는 실현 가능한 길을 제시한다.