[논문 리뷰] An unsupervised bayesian approach for the joint reconstruction and classification of cutaneous reflectance confocal microscopy images

Abdelghafour Halimi, Hadj Batatia외 3명|ArXiv.org|2017. 03. 04.

Statistical Methods and Inference참고 문헌 24인용 수 11

한 줄 요약

이 논문은 다층 구조 모델을 사용하여 다중성 소음이 있는 감마 분포를 따르는 복소성 소음과 잘린 정규 분포 사전확률을 갖는 계층적 모델을 사용해 진성 반사율을 동시에 복원하고 피부 반사율 공진동 현미경(RCM) 영상을 건강 또는 렌티고 영향을 받은 것으로 분류하는 비지도 베이지안 방법을 제안한다. 메트로폴리스-내부 기반 기반의 MCMC 샘플러를 사용해 모델 파라미터와 영상 레이블을 추정하며, 실제 RCM 데이터에서 97.7%의 정확도를 달성하여 CART 기반 방법보다 15.5%포인트 높은 성능을 보였다.

ABSTRACT

This paper studies a new Bayesian algorithm for the joint reconstruction and classification of reflectance confocal microscopy (RCM) images, with application to the identification of human skin lentigo. The proposed Bayesian approach takes advantage of the distribution of the multiplicative speckle noise affecting the true reflectivity of these images and of appropriate priors for the unknown model parameters. A Markov chain Monte Carlo (MCMC) algorithm is proposed to jointly estimate the model parameters and the image of true reflectivity while classifying images according to the distribution of their reflectivity. Precisely, a Metropolis-whitin-Gibbs sampler is investigated to sample the posterior distribution of the Bayesian model associated with RCM images and to build estimators of its parameters, including labels indicating the class of each RCM image. The resulting algorithm is applied to synthetic data and to real images from a clinical study containing healthy and lentigo patients.

연구 동기 및 목표

• 비침습적 피부 병변 진단을 지원하기 위해 RCM 영상에 대한 통합된 복원 및 분류 프레임워크를 개발한다.
• 영상 품질을 떨어뜨리고 시각적 해석을 어렵게 만드는 RCM 영상 내 다중성 소음 문제를 다룬다.
• 레이블이 없는 학습 데이터에 의존하지 않고 비지도 베이지안 추론을 통해 영상 분류를 수행한다.
• 단일 확률적 프레임워크 내에서 소음 모델링과 조직 반사율 추정을 통합해 진단 정확도를 향상시킨다.
• 45명의 환자에서 확보한 실제 임상 RCM 영상과 함께 합성 데이터를 활용해 방법을 검증한다.

제안 방법

• 각 RCM 영상이 평균이 1인 다중성 감마 분포 소음에 의해 오염된 관측치로 모델링되는 계층적 베이지안 모델을 수립한다.
• 반사율에 대해 잘린 정규 사전확률을 할당하여 양의 값을 보장하고, 평균과 분산에 대한 초모수를 설정해 비지도 분류를 가능하게 한다.
• 영상 레이블(렌티고 또는 건강)을 잠재 변수로 포함시켜 반사율, 소음 파라미터, 클래스 레이블을 동시에 추정할 수 있도록 한다.
• 메트로폴리스-내부 기반 기반의 하이브리드 MCMC 샘플러를 사용해 모든 미지 변수의 공동 사후분포를 샘플링한다. 이는 영상 반사율, 소음 파rameter, 클래스 레이블 포함.
• 반복적 샘플링을 통해 모델 파라미터와 영상 콘텐츠에 대한 MMSE 및 MAP 추정치를 산출하며, 추적 플롯을 통해 수렴 여부를 모니터링한다.
• 계산 비용을 줄이기 위해 250×250 크기의 영상 패치를 처리하면서도 분류에 핵심적인 국소 무늬 특징을 유지한다.

실험 결과

연구 질문

• RQ1 레이블이 없는 학습 데이터가 필요 없이 통합된 베이지안 프레임워크를 통해 진성 반사율을 동시에 복원하고 RCM 영상을 건강 또는 렌티고로 분류할 수 있는가?
• RQ2 감마 분포를 사용해 다중성 소음을 모델링할 경우, 기존 방법에 비해 RCM 영상 분류 정확도가 어떻게 향상되는가?
• RQ3 반사율에 대해 잘린 정규 사전확률을 통합할 경우, 복원 및 분류 과정의 강건성과 물리적 타당성이 얼마나 향상되는가?
• RQ4 잠재 레이블과 고차원 영상 데이터를 포함한 복잡한 사후분포 추정에 대해 MCMC 기반 추론 전략이 얼마나 효과적인가?
• RQ5 제안된 방법은 기존의 특징 기반 분류 기법인 CART보다 실제 임상 RCM 영상 분류에서 성능이 뛰어나다고 할 수 있는가?

주요 결과

• 제안된 방법은 45명의 환자에서 확보한 실제 RCM 데이터에서 97.7%의 분류 정확도를 달성했으며, 렌티고 환자 중 오직 한 건만 잘못 분류되었다.
• 렌티고 검출에 대한 민감도는 96.2%였고, 특이도는 100%에 도달하여 병변이 있는 경우와 건강한 경우를 모두 잘 식별함을 시사한다.
• 렌티고 분류에 대한 정밀도는 100%였으며, 예측된 렌티고 환자 중에서 가짜 양성 사례가 전혀 없었다.
• 39개의 웨이블릿 특징과 결정 트리를 사용한 CART 기반 방법과 비교했을 때, 제안된 베이지안 접근법은 정확도가 15.5%포인트 향상되어 82.2%에서 97.7%로 향상되었다.
• MCMC 샘플러는 다양한 SNR 수준에서의 합성 및 실제 데이터에 대해 모든 파라미터에서 안정적인 수렴을 보였으며, 추적 플롯을 통해 확인되었다.
• 시각적 분석 결과, 잘못 분류된 환자(#8)는 건강한 환자와 유사한 무늬를 보였으며, 미세한 영상 특징이 심지어 고급 분류기에도 도전이 될 수 있음을 시사한다.