[논문 리뷰] WBCAtt: A White Blood Cell Dataset Annotated with Detailed Morphological Attributes

Satoshi Tsutsui, Winnie Pang외 1명|arXiv (Cornell University)|2023. 06. 23.

Digital Imaging for Blood Diseases인용 수 4

한 줄 요약

이 논문은 병리의사의 상담과 의학 문헌을 바탕으로 핵 모양, 사이토플라즈마 질감, 색소 유형, 염색체 조밀도 등 11개의 세밀한 형태학적 특성으로 표시된 10,298개의 백혈구 이미지를 포함한 WBCAtt라는 공개된 데이터셋을 소개한다. 이 데이터셋은 설명 가능한 인공지능을 실현하여 백혈구 분류 모델의 해석 가능성 수준을 향상시키며, 예를 들어 ViT-Base를 사용할 경우 색소 색상 '빨간색'에 대해 99.96%의 F1 스코어를 기록함으로써 높은 정확도의 특성 예측을 가능하게 한다.

ABSTRACT

The examination of blood samples at a microscopic level plays a fundamental role in clinical diagnostics, influencing a wide range of medical conditions. For instance, an in-depth study of White Blood Cells (WBCs), a crucial component of our blood, is essential for diagnosing blood-related diseases such as leukemia and anemia. While multiple datasets containing WBC images have been proposed, they mostly focus on cell categorization, often lacking the necessary morphological details to explain such categorizations, despite the importance of explainable artificial intelligence (XAI) in medical domains. This paper seeks to address this limitation by introducing comprehensive annotations for WBC images. Through collaboration with pathologists, a thorough literature review, and manual inspection of microscopic images, we have identified 11 morphological attributes associated with the cell and its components (nucleus, cytoplasm, and granules). We then annotated ten thousand WBC images with these attributes. Moreover, we conduct experiments to predict these attributes from images, providing insights beyond basic WBC classification. As the first public dataset to offer such extensive annotations, we also illustrate specific applications that can benefit from our attribute annotations. Overall, our dataset paves the way for interpreting WBC recognition models, further advancing XAI in the fields of pathology and hematology.

연구 동기 및 목표

• 백혈구 이미지 분석에서 설명 가능한 인공지능의 부족을 해결하기 위해 기본 세포 유형 분류를 넘어서는 형태학적 주석을 제공함으로써.
• 병리의사가 검증한 형태학적 특성을 통합함으로써 임상 진단과 인공지능 간 격차를 메우기 위해.
• 대규모이고 세밀하며 공개 가능한 데이터셋을 구축함으로써 혈액학 분야에서 설명 가능한 기계학습 모델의 개발을 가능하게 하기 위해.
• 공진화, 염색체 조밀도, 색소 형태와 같은 특성에 대한 참값 주석을 제공함으로써 설명 가능한 인공지능(XAI) 연구를 촉진하기 위해.
• 표준화되고 종합적인 데이터셋을 통해 질병 진단 및 모델 설명 가능성과 같은 후속 응용 프로그램을 지원하기 위해.

제안 방법

• 병리의사와의 협업, 체계적인 문헌 검토 및 백혈구 이미지의 수동 검토를 통해 11개의 형태학적 특성을 도출함.
• PBC 데이터셋에서 유래한 10,298개의 백혈구 이미지를 11개의 특성으로 모두 주석 처리하여 총 113,000개의 레이블(11개 특성 × 약 10.3천 개의 이미지)을 생성함.
• 전체 세포, 핵, 세 cytoplasm, 색소로 나누어 각각 임상적 관련성과 의학적 참고 자료에 기반한 네 가지 카테고리로 구성함.
• 5겹 교차검증을 사용하여 다양한 딥러닝 모델(VGG16, ResNet50, ViT-Base, ConvNeXt-Tiny)을 활용해 특성 예측 성능을 평가함.
• 표준 이미지 분류 아키텍처를 다중 클래스, 다중 레이블 특성 인식에 맞게 미세조정하고 교차 엔트로피 손실 함수를 사용함.
• 모든 특성에 대해 정밀도, 재현율, F1 스코어를 평가하였으며, 결과는 특성 및 모델별로 보고됨.

실험 결과

연구 질문

• RQ1 딥러닝 모델은 미세한 형태학적 특성을 가진 백혈구 이미지에서 높은 정확도로 특성을 예측할 수 있는가?
• RQ2 색소 색상 및 염색체 조밀도와 같은 백혈구 형태학적 특성을 예측할 때, 다양한 비전 트랜스포머 및 CNN 아키텍처 간의 성능은 어떻게 비교되는가?
• RQ3 시각적 복잡도 또는 임상적 희귀성에 따라 특성에 따라 모델 성능 지표는 얼마나 다를까?
• RQ4 제안된 데이터셋은 특성 수준 분석을 통한 모델 설명 가능성을 제공함으로써 혈액학 분야에서 설명 가능한 인공지능 시스템 개발을 지원할 수 있는가?
• RQ5 데이터 품질과 주석 일관성은 의료 영상 분석에서 특성 예측의 신뢰성에 어떤 영향을 미치는가?

주요 결과

• WBCAtt 데이터셋은 백혈구에 대해 밀도 높은 다중 특성 주석을 제공하는 최초의 공개 가능한 자원으로, 10,298장의 이미지에 걸쳐 총 113,000개의 레이블을 포함한다.
• ViT-Base는 색소 색상 특성 '빨간색'에 대해 99.96%의 최고 F1 스코어를 기록하여 이 잘 정의된 특성에 대해 거의 완벽한 예측 능력을 보였다.
• 다양한 하위유형(예: 분할된 이엽형, 분할되지 않은 오목형)을 가진 어려운 특성 '핵 모양'에 대해 ViT-Base는 F1 스코어 78.78%를 기록하여 복잡한 형태학적 차이를 구분하는 데 중간 수준의 성능을 보였다.
• CNXT-Tiny 모델은 '색소 색상: 없음'에 대해 F1 스코어 99.57%를 기록하여 부재 기반 특성에 대해 강력한 성능을 보였다.
• 모델들 간에 가장 낮은 F1 스코어(74.06%)를 기록한 특성은 '염색체 조밀도: 흐림'이었으며, 이는 미세한 염색체 패턴이 현재 모델에 여전히 도전 과제임을 시사한다.
• 다른 특성들에 대해서도 높은 정밀도의 예측이 가능함(예: '색소 유형: 원형'에 대해 F1 스코어 99.86%)을 통해, 이 데이터셋이 강력하고 해석 가능한 백혈구 인식 시스템을 훈련시키는 데 유용함을 입증하였다.