[논문 리뷰] Comparison-Based Convolutional Neural Networks for Cervical Cell/Clumps Detection in the Limited Data Scenario

Yixiong Liang, Zhihong Tang외 4명|arXiv (Cornell University)|2018. 10. 14.

Vehicle License Plate Recognition참고 문헌 74인용 수 7

한 줄 요약

이 논문은 제한된 데이터 환경에서 자궁경부 세포 및 클럽 검출을 위한 비교 검출기(CMP)를 제안한다. 이는 특징 피라미드 네트워크(FPN)를 갖춘 패스트 R-CNN 기반 모델을 사용하며, 표준 분류기 대신 참조 샘플에서 학습된 프로토타입 표현을 사용하는 비모수적 비교 모듈로 대체한다. 이 방법은 작은 데이터셋에서 mAP 26.3%와 AR 35.7%를 달성하여 기준 모델 대비 각각 약 20점 향상시키며, 데이터 부족 조건에서도 강력한 일반화 능력을 입증한다.

ABSTRACT

Automated detection of cervical cancer cells or cell clumps has the potential to significantly reduce error rate and increase productivity in cervical cancer screening. However, most traditional methods rely on the success of accurate cell segmentation and discriminative hand-crafted features extraction. Recently there are emerging deep learning-based methods which train convolutional neural networks (CNN) to classify image patches, but they are computationally expensive. In this paper we propose an efficient CNN-based object detection methods for cervical cancer cells/clumps detection. Specifically, we utilize the state-of-the-art two-stage object detection method, the Faster-RCNN with Feature Pyramid Network (FPN) as the baseline and propose a novel comparison detector to deal with the limited data problem. The key idea is that classify the proposals by comparing with the reference samples of each category in object detection. In addition, we propose to learn the reference samples of the background from data instead of manually choosing them by some heuristic rules. Experimental results show that the proposed Comparison Detector yields significant improvement on the small dataset, achieving a mean Average Precision (mAP) of 26.3% and an Average Recall (AR) of 35.7%, both improving about 20 points compared to the baseline. Moreover, Comparison Detector improved AR by 4.6 points and achieved marginally better performance in terms of mAP compared with baseline model when training on the medium dataset. Our method is promising for the development of automation-assisted cervical cancer screening systems. Code is available at https://github.com/kuku-sichuan/ComparisonDetector.

연구 동기 및 목표

• 수동으로 애너테이션하는 데 비용이 많이 들고 일관성 없어지는 자궁경부암 스크리닝에서의 제한된 애너테이션 데이터 문제를 해결한다.
• 정확한 세포 분할과 수작업으로 만든 특징에 의존하는 전통적 방법의 한계를 극복한다.
• 사전 분할을 피하고 큰 학습 데이터셋에 의존도를 줄이는 자궁세포도말검사용 데이터 효율적인 객체 검출 프레임워크를 개발한다.
• 히ュ리스틱 규칙 대신 데이터에서 학습된 프로토타입 표현을 통해 소수의 샘플에서도 일반화 능력을 향상시킨다.
• 패치 추출 없이 전체 이미지 처리를 통해 효율적인 추론을 가능하게 하여 계산 비용을 감소시킨다.

제안 방법

• 종단간 객체 검출을 위해 빠른 R-CNN에 FPN을 적용한 기반 두 단계 객체 검출기로 자궁경부 세포 및 클럽 검출을 수행한다.
• 표준 분류 헤드를 각 카테고리의 프로토타입 표현과 영역 제안을 비교하는 비모수적 비교 분류기로 대체한다.
• 배경 포함 각 클래스의 참조 샘플에서 데이터 기반 접근 방식을 통해 프로토타입 표현을 생성한다.
• 프로포즈와 프로토타입 간의 거리 함수를 학습하는 데 7×7 컨볼루션을 사용한 매개변수화된 ℓ₂ 거리(ℓ₂-distance)를 사용하여 고정된 거리 측정 방식보다 성능을 향상시킨다.
• 학습 중에 안정성을 높이기 위해 균형 조정 기법을 적용하여 다양한 데이터셋에서 mAP와 AR을 향상시킨다.
• 대표적인 인스턴스를 클러스터 중심 근처에서 식별하기 위해 t-SNE와 K-means 클러스터링을 사용하여 참조 샘플을 선별함으로써 프로토타입 품질을 향상시킨다.

실험 결과

연구 질문

• RQ1 소규모 데이터 환경에서 비교 기반 분류기가 자궁경부 세포 검출의 성능 향상에 기여할 수 있는가?
• RQ2 히ュ리스틱 선택 방식과 비교해 데이터에서 학습된 프로토타입 표현 방식이 검출 정확도에 어떤 영향을 미치는가?
• RQ3 다양한 거리 측정 방식(예: ℓ₂, 매개변수화된 ℓ₂) 중에서 비교 기반 분류 헤드에서 가장 높은 성능을 내는 것은 무엇인가?
• RQ4 다양한 참조 샘플 선별 전략(무작위, 고정, t-SNE+K-means)이 검출의 mAP와 AR에 어떤 영향을 미치는가?
• RQ5 기본 CNN 검출기 대비 제안된 방법이 소규모 데이터셋에서 과적합을 얼마나 줄이고 일반화 능력을 얼마나 향상시키는가?

주요 결과

• 소규모 데이터셋에서 비교 검출기는 평균 정밀도 평균(mAP) 26.3%를 달성하여 기준 모델의 6.6% 대비 19.7포인트 향상되었다.
• 소규모 데이터셋에서 평균 재현율(AR)은 35.7%에 도달하여 기준 모델의 12.9% 대비 22.8포인트 향상되었다.
• 중간 규모 데이터셋에서 이 방법은 AR을 4.6포인트 향상시키며 기준 모델보다 약간 더 높은 mAP를 달성했다.
• 비교 실험에서 매개변수화된 ℓ₂-거리가 표준 ℓ₂ 및 기타 거리 측정 방식보다 뛰어난 성능을 보이며, 44.5%의 mAP 기록을 달성했다.
• t-SNE와 K-means를 사용한 참조 샘플 선별 전략이 가장 높은 성능(45.9% mAP)을 기록했으며, 고정(44.5%) 및 무작위(42.8%) 선별 방식을 뛰어넘었다.
• 이 방법은 패치 기반 처리에 비용이 많이 들지 않는 한 번의 전방향 프로세싱을 통해 효율적인 추론을 가능하게 하였다.