[논문 리뷰] Using Deep Learning for Segmentation and Counting within Microscopy Data

Carlos X. Hernández, Mohammad M. Sultan외 1명|arXiv (Cornell University)|2018. 02. 28.

Cell Image Analysis Techniques참고 문헌 16인용 수 30

한 줄 요약

이 논문은 특징 피라미드 네트워크(FPN)와 VGG 스타일의 백본을 조합한 두 단계의 딥러닝 접근법을 제안하여 미세소견 영상에서 세포를 분할하고 세는 것을 목적으로 한다. 애로타이픽 손실을 통해 불확실성 추정을 수행함으로써 정확한 세포 수를 도출하고 신뢰도를 향상시키며, 신뢰구간을 통해 실패 케이스를 식별한다.

ABSTRACT

Cell counting is a ubiquitous, yet tedious task that would greatly benefit from automation. From basic biological questions to clinical trials, cell counts provide key quantitative feedback that drive research. Unfortunately, cell counting is most commonly a manual task and can be time-intensive. The task is made even more difficult due to overlapping cells, existence of multiple focal planes, and poor imaging quality, among other factors. Here, we describe a convolutional neural network approach, using a recently described feature pyramid network combined with a VGG-style neural network, for segmenting and subsequent counting of cells in a given microscopy image.

연구 동기 및 목표

• 미세소견 영상에서 시간이 많이 소요되고 실수의 여지가 있는 수동 세포 수세기 과정을 자동화한다.
• 기존 도구의 한계인 높은 비용, 비공개 소스, 불확실성 정량화 부족 문제를 해결한다.
• 세포 수 이외에도 신뢰구간을 제공하여 과학적 신뢰도를 향상시키는 모델을 개발한다.
• 모델의 해석 가능성과 실패 케이스를 조사하여 향후 데이터 수집 및 모델 개선을 안내한다.
• 오픈소스 코드와 모바일 또는 웹 애플리케이션으로의 통합 가능성을 통해 보다 넓은 과학적 활용을 가능하게 한다.

제안 방법

• 입력 미세소견 영상에서 다중 척도 특징 맵을 생성하기 위해 특징 피라미드 네트워크(FPN)를 사용하여 분할 성능을 향상시킨다.
• FPN 아키텍처에서 특징 추출을 위한 VGG 스타일의 합성곱 신경망을 백본으로 활용한다.
• 정답 세포 마스크에 기반한 이진 교차 엔트로피 손실을 사용하여 전경 마스크 예측을 학습한다.
• 학습 가능한 불확실성 파rameter σ를 포함한 수정된 L² 손실 함수를 통해 애로타이픽 불확실성 추정을 수행하며, 이를 통해 예측의 신뢰구간을 제공한다.
• 불확실성 인식 모델을 적용하여 참값이 예측된 허용 범위 외부에 위치한 실패 케이스를 탐지한다.
• 이전의 밀도 맵 방법을 영감으로 받아 잘라낸 영상 패치에서의 앙상블 예측을 통해 세포 밀도를 안정적으로 추정한다.

실험 결과

연구 질문

• RQ1 딥러닝 모델이 최소한의 인간 간섭으로 미세소견 영상에서 정확하고 신뢰할 수 있는 세포 분할 및 수를 수행할 수 있는가?
• RQ2 애로타이픽 손실을 통한 불확실성 정량화는 모델의 신뢰도를 향상시키고 세포 수 세기에서의 실패 케이스를 식별하는 데 어떻게 기여하는가?
• RQ3 모델 성능이 특히 겹치는 세포나 초점이 흐린 영상과 같은 어려운 케이스에서 훈련 데이터 품질에 얼마나 의존하는가?
• RQ4 모델 성능이 인간 전문가와 비교해 어떻게 되며, 더 나은 또는 더 다양한 훈련 데이터로 향상시킬 수 있는가?
• RQ5 불확실성 추정 통합이 통계적 검정력 향상과 더 나은 생물학적 가설 수립 지원에 어떻게 기여할 수 있는가?

주요 결과

• 제안된 FPN 기반 모델은 BBBC005 기준 데이터셋에서 높은 정확도로 신뢰할 수 있는 세포 분할 및 수를 달성한다.
• 애로타이픽 불확실성 추정을 통합함으로써 참값이 예측된 신뢰구간 외부에 위치한 실패 케이스를 모델이 식별할 수 있다.
• 모델의 불확실성 예측은 데이터 격차에 대한 통찰을 제공하며, 특히 겹치는 세포나 초점이 흐린 세포에 대한 추가 훈련 예제가 성능 향상에 기여할 수 있음을 시사한다.
• 겹치는 세포와 낮은 영상 품질에 대한 실패 케이스는 여전히 존재하며, 이는 현재 훈련 데이터의 한계를 반영한다. 특히 BBBC005 데이터셋에서 초점이 흐린 영상에 대한 전경 마스크가 부족한 점이 원인으로 지목된다.
• 모델의 성능은 데이터 품질에 민감하며, 향후 향상은 인간이 레이블링한 예제를 포함한 더 다양한 또는 현실적인 훈련 데이터로부터 올 수 있다.
• 소스 코드는 MIT 라이선스 하에 공개되어 있어 커뮤니티 기여 및 오픈소스 미세소견 플랫폼에의 통합을 가능하게 한다.