[論文レビュー] Chromosome Segmentation Analysis Using Image Processing Techniques and Autoencoders

Amritha S Pallavoor, A Prajwal+2 more|arXiv (Cornell University)|Sep 12, 2022

Genomic variations and chromosomal abnormalities被引用数 6

ひとこと要約

この論文では、画像処理と深層学習を組み合わせた自動化された染色体セグメンテーションおよび分類パイプラインを提案し、核型解析の正確性と効率性を向上させることを目的としている。ウォーターシェッドセグメンテーションと手動シーディング、およびオートエンコーダーを組み合わせて重なった染色体を分離し、その後SqueezeNetモデルを用いて分類することで95.75%の正確性を達成。さらに、最終的なペア割り当てのための分布アルゴリズムを適用することで、正確性が98%まで向上した。

ABSTRACT

Chromosome analysis and identification from metaphase images is a critical part of cytogenetics based medical diagnosis. It is mainly used for identifying constitutional, prenatal and acquired abnormalities in the diagnosis of genetic diseases and disorders. The process of identification of chromosomes from metaphase is a tedious one and requires trained personnel and several hours to perform. Challenge exists especially in handling touching, overlapping and clustered chromosomes in metaphase images, which if not segmented properly would result in wrong classification. We propose a method to automate the process of detection and segmentation of chromosomes from a given metaphase image, and in using them to classify through a Deep CNN architecture to know the chromosome type. We have used two methods to handle the separation of overlapping chromosomes found in metaphases - one method involving watershed algorithm followed by autoencoders and the other a method purely based on watershed algorithm. These methods involve a combination of automation and very minimal manual effort to perform the segmentation, which produces the output. The manual effort ensures that human intuition is taken into consideration, especially in handling touching, overlapping and cluster chromosomes. Upon segmentation, individual chromosome images are then classified into their respective classes with 95.75\% accuracy using a Deep CNN model. Further, we impart a distribution strategy to classify these chromosomes from the given output (which typically could consist of 46 individual images in a normal scenario for human beings) into its individual classes with an accuracy of 98\%. Our study helps conclude that pure manual effort involved in chromosome segmentation can be automated to a very good level through image processing techniques to produce reliable and satisfying results.

研究の動機と目的

• 対象となる染色体が重なったり、接していたり、凝集していたりする場合でも、中期染色体画像からの個々の染色体のセグメンテーションを自動化すること。
• 人間の直感と機械学習を統合することで、核型解析における手作業の依存度を低減し、正確性と効率性を向上させること。
• 高精度な深層学習モデルを用いて、分離された染色体を正しいペア番号（1–22、X、Y）に分類すること。
• 生物学的制約（例：1ペアあたり正確に2本の染色体）を満たすように、誤分類を是正する分布アルゴリズムを開発し、最終的な分類正確性を向上させること。
• 初心者向けのトレーニングと臨床的意思決定支援の両方をサポートするハイブリッドシステムを構築すること。

提案手法

• 重なった染色体の分離を改善するために、ウォーターシェッドアルゴリズムに手動シーディングを適用し、重複領域を別個のシードとして扱う。
• 輪郭検出と画像クロッピングを用いて、ウォーターシェッドセグメンテーション後の個々の染色体領域を分離する。
• 1つの手法バリエーションとして、オートエンコーダーを用いて分離済み染色体画像の品質を向上させ、分類のための特徴表現を強化する。
• 分離済み染色体画像を用いて、SqueezeNetベースの深層畳み込みニューラルネットワーク（CNN）をトレーニングし、23ペア（性染色体を含む）に分類する。
• 誤分類された染色体画像を是正するために、不足しているペアを特定し、過剰に割り当てられたペアから高信頼度の予測を再割り当てする分布アルゴリズムを実装する。
• 過学習を防ぐために、SqueezeNetトレーニング中に5分割交差検証と早期停止法を適用する。

実験結果

リサーチクエスチョン

• RQ1 画像処理技術と最小限の手動介入を組み合わせることで、中期染色体画像における重なった・凝集した染色体のセグメンテーションが効果的に可能か？
• RQ2 SqueezeNetのような深層畳み込みニューラルネットワーク（CNN）モデルが、高い正確性で個々の染色体を正しいペア番号に分類できるか、その程度は？
• RQ3 生物学的制約（例：1ペアあたり2本の染色体）を満たすように誤分類を是正する分布アルゴリズムは、どの程度の効果を示すか？
• RQ4 オートエンコーダーの統合が、分類のための分離済み染色体の品質を向上させるか？
• RQ5 この自動化パイプラインは、診断正確性を維持または向上させつつ、核型解析における手作業の負担を顕著に低減できるか？

主な発見

• 提案されたセグメンテーション手法は、個々の染色体検出で約95%、重なった染色体の分離で94%の正確性を達成した。
• SqueezeNetモデルは、5分割交差検証と早期停止法を用いた場合、分離済み染色体画像に対して95.75%の分類正確性を達成した。
• 分布アルゴリズムにより、制約に基づく再割り当てによって、最終的な分類正確性が95.75%から98%まで向上した。
• ウォーターシェッドセグメンテーションに手動シーディングとオートエンコーダーを組み合わせた手法は、複雑な重なり事例においても信頼性が高く一貫性のある染色体分離を実現した。
• セグメンテーションから分類および分布処理までのエンドツーエンドのパイプラインは、臨床的および教育的現場における核型解析の自動化の強力な可能性を示している。
• 本手法はQバンド法およびGバンド法の中期染色体画像の両方を対応可能としており、Qバンド法画像でより高い正確性が得られた。今後の課題として、Gバンド法の分類精度向上を図る。