[論文レビュー] Classification of Cell Images Using MPEG-7-influenced Descriptors and Support Vector Machines in Cell Morphology

Tobias Abenius|ArXiv.org|Dec 12, 2008

Digital Imaging for Blood Diseases参考文献 8被引用数 4

ひとこと要約

本稿では、MPEG-7にインspiredされた色とテクスチャ記述子をサポートベクターマシン（SVM）と組み合わせた細胞画像分類システムを提案する。血液球の形態解析に用いられ、標準MPEG-7特徴量に人間の視覚的テクスチャ特性を拡張した特徴量を追加することで、主な分類タスクで10.8%の誤差率、簡略化された5クラスの白血球問題で3.1%の誤差率を達成したが、CellaVision™データセットにラベル誤りが存在するにもかかわらずである。

ABSTRACT

Counting and classifying blood cells is an important diagnostic tool in medicine. Support Vector Machines are increasingly popular and efficient and could replace artificial neural network systems. Here a method to classify blood cells is proposed using SVM. A set of statistics on images are implemented in C++. The MPEG-7 descriptors Scalable Color Descriptor, Color Structure Descriptor, Color Layout Descriptor and Homogeneous Texture Descriptor are extended in size and combined with textural features corresponding to textural properties perceived visually by humans. From a set of images of human blood cells these statistics are collected. A SVM is implemented and trained to classify the cell images. The cell images come from a CellaVision DM-96 machine which classify cells from images from microscopy. The output images and classification of the CellaVision machine is taken as ground truth, a truth that is 90-95% correct. The problem is divided in two -- the primary and the simplified. The primary problem is to classify the same classes as the CellaVision machine. The simplified problem is to differ between the five most common types of white blood cells. An encouraging result is achieved in both cases -- error rates of 10.8% and 3.1% -- considering that the SVM is misled by the errors in ground truth. Conclusion is that further investigation of performance is worthwhile.

研究の動機と目的

• MPEG-7にインスパイドされた記述子を用いた、SVMベースのロバストな人間の血液球画像分類手法の開発。
• 人間の視覚的テクスチャ特徴量をMPEG-7記述子に拡張することで、分類精度の向上を図ること。
• 複雑な現実世界の分類タスクと、臨床的に関連性の高い簡略化された5クラスの白血球問題の両方における性能評価。
• ラベル誤りがSVMの性能に与える影響を評価すること。
• 深層学習とは対照的な、手作業で設計された特徴量が細胞形態解析タスクにおいて代替可能であるかの可能性を検討すること。

提案手法

• スケーラブルカラー、カラーモデル構造、カラーレイアウト、均一テクスチャの4つのMPEG-7記述子を、サイズの拡大と人間の視覚的テクスチャ特徴量の組み合わせにより拡張。
• ネイバーヒューティンググレーターン差分マトリクス、粗さ、コントラスト、バジネス、複雑さ、テクスチャ強度といった視覚的テクスチャ特徴量を導入。
• 高速フーリエ変換（FFT）を用いた周波数ドメインにおける2次元畳み込みを実装し、ガボール波letフィルタリングの高速化を図り、実行時間の改善を実現。
• 確率的勾配上昇法の変種を用いたSVMの学習を実装し、多クラス分類には1対多戦略を採用。
• SVMの収束性と汎化性能を向上させるために、データスケーリングと特徴量正規化を適用。
• カスタムパイプライン（jpeg_genfeature）を用いて特徴量を生成し、モデル学習および予測用にlibSVM形式で保存。

実験結果

リサーチクエスチョン

• RQ1 MPEG-7にインスパイドされた記述子に加え、人間の視覚的テクスチャ特徴量を組み合わせることで、血液球形態分類の精度が向上するか？
• RQ2 自身の（ノイズを含む可能性のある）ラベルを用いて学習したSVMベースのシステムと、CellaVision™ DM-96マシンの性能は、どのように比較されるか？
• RQ3 ラベル誤りが、学習済みSVMモデルの汎化性能および誤差率にどの程度影響を及えるか？
• RQ4 簡略化された5クラスの白血球分類タスクは、臨床的意義およびモデル評価においてどの程度有効であるか？
• RQ5 深層学習とは対照的な、手作業で設計された特徴量は、最先端の手法と比較して、細胞画像分類で競争力のある性能を発揮できるか？

主な発見

• 主な分類タスクでは10.8%の誤差率を達成し、これは CellaVision™ DM-96 マシンが区別するのと同じクラスを識別するタスクである。
• 最も一般的な白血球に焦点を当てた簡略化された5クラス問題では、誤差率が著しく低く、3.1%にまで低下した。
• 主なタスクにおける誤分類の主な原因は、好中球（クラス1）とバット好中球（クラス6）の間であり、これらは視覚的に類似しており、ラベル誤りも頻発する。
• 簡略化されたタスクにおける誤分類は、モノサイト（クラス5）とリンパ球（クラス31）の間で最も顕著で、専門家や CellaVision™ システムに対しても識別が困難である。
• 著者らは、モデルの性能がラベル誤りによって制限されていると結論づけ、完璧なラベルが得られれば、性能は著しく向上する可能性があると示唆している。
• 研究は、特に簡略化タスクで優れた性能を示していることから、特徴量工学およびモデル最適化のさらなる検討が価値あるものであると示唆している。