[논문 리뷰] Considerations for a PAP Smear Image Analysis System with CNN Features

Srishti Gautam, K K Harinarayan외 4명|arXiv (Cornell University)|2018. 06. 23.

AI in cancer detection인용 수 15

한 줄 요약

이 논문은 자궁경부암 스크리닝을 위한 CNN 기반의 세포핵 검출 및 전이학습을 활용한 PAP 도말 영상 분석 시스템을 제안하며, 정확한 세분화가 높은 정확도의 분류에 필요하지 않음을 입증한다. 이 방법은 저수준의 CNN 특징과 전체 또는 검출된 세포 영상에서의 전이학습을 활용하여 2개 클래스 분류에서 99.3%, 7개 클래스 분류에서 93.75%의 최신 기술 수준 성능을 달성하며, 효과적인 분류를 위해 세포핵 검출만으로도 충분함을 증명한다.

ABSTRACT

It has been shown that for automated PAP-smear image classification, nucleus features can be very informative. Therefore, the primary step for automated screening can be cell-nuclei detection followed by segmentation of nuclei in the resulting single cell PAP-smear images. We propose a patch based approach using CNN for segmentation of nuclei in single cell images. We then pose the question of ion of segmentation for classification using representation learning with CNN, and whether low-level CNN features may be useful for classification. We suggest a CNN-based feature level analysis and a transfer learning based approach for classification using both segmented as well full single cell images. We also propose a decision-tree based approach for classification. Experimental results demonstrate the effectiveness of the proposed algorithms individually (with low-level CNN features), and simultaneously proving the sufficiency of cell-nuclei detection (rather than accurate segmentation) for classification. Thus, we propose a system for analysis of multi-cell PAP-smear images consisting of a simple nuclei detection algorithm followed by classification using transfer learning.

연구 동기 및 목표

• 수행 시간이 길고 오류가 발생하기 쉬운 수동 스크리닝에 의존도를 줄이기 위한 자동화된 PAP 도말 영상 분석 시스템을 개발하는 것.
• 딥러닝 기반의 PAP 도말 영상 분류에 있어 정확한 세포핵 세분화가 필수적인지 조사하는 것.
• 정상 및 비정상 세포를 분류하기 위해 저수준 CNN 특징과 전이학습의 효과를 평가하는 것.
• 배경이 포함된 검출된 세포핵을 사용한 분류 성능와 전체적으로 세분화된 세포핵을 사용한 성능를 비교하는 것.
• 확장 가능하고 정확한 스크리닝을 위한 경량이며 효율적인 시스템을 세포핵 검출 및 전이학습을 활용해 제안하는 것.

제안 방법

• 단일 세포 PAP 도말 영상에서 세포핵 세분화를 위해 선택적 사전처리를 적용한 패치 기반 CNN을 사용하여 Herlev 데이터셋에서 F-스코어 0.90을 달성한다.
• 다중 세포 영상에 대해 단순한 세포핵 검출 알고리즘을 적용한 후, 경계 상자 자르기 및 20픽셀 패딩을 통해 분류를 위한 부분 영상(서브이미지)를 생성한다.
• 2개 클래스 및 7개 클래스 분류 작업 모두에 대해 AlexNet 아키텍처(특히 conv1T 레이어)를 사용한 전이학습을 통해 전체 또는 검출된 세포 영상에서 미세조정한다.
• 딥러닝 모델과의 성능 비교를 위해 결합 트리(결정 트리)를 대체 분류 방법으로 사용한다.
• 지표 세분화된 세포핵과 제안된 세분화 방법을 모두 사용하여 분류 성능를 평가하며, 데이터셋 간 성능를 비교한다.
• 복잡한 Aindra 데이터셋에서 강건한 평가를 위해 전체 슬라이드 영상에서 세 개의 랜덤 훈련 및 검증 분할을 생성한다.

실험 결과

연구 질문

• RQ1 딥러닝을 활용한 PAP 도말 영상 분류에 있어 정확한 세포핵 세분화가 필수적인가?
• RQ2 초기 합성곱 레이어에서 유도된 저수준 CNN 특징가 전체 세분화 없이도 세포 형태를 효과적으로 표현할 수 있는가?
• RQ3 배경이 포함된 검출된 세포핵을 사용한 분류 성능와 전체적으로 세분화된 세포핵을 사용한 성능를 비교하면 어떻게 되는가?
• RQ4 사전 훈련된 CNN(예: AlexNet)에서의 전이학습이 최소한의 재훈련으로 PAP 도말 영상 분류에서 최신 기술 수준의 성능를 달성할 수 있는가?
• RQ5 검출된 서브이미지에 맵박스 배경 픽셀을 포함시키는 것이 고립된 세분화된 세포핵보다 분류 정확도를 향상시키는가?

주요 결과

• 전이학습을 통해 검출된 세포핵 서브이미지에서 Aindra 데이터셋의 훈련 정확도는 95.5%, 검증 정확도는 85.7%를 기록하였다.
• Herlev 데이터셋에서 2개 클래스 분류에 대해, conv1T 전이학습 아키텍처를 사용한 방법이 99.3%의 정확도를 달성하였으며, 기존의 모든 방법(99.27%의 최신 기술 수준 ANN 모델 포함)을 뛰어넘었다.
• Herlev 데이터셋에서 7개 클래스 분류에 대해 시스템은 93.75%의 정확도를 달성하였으며, 벤치마크 결과(61.1%)를 초월하고 ANN 기준(93.78%)과도 밀도를 이루었다.
• 배경이 포함된 검출된 세포핵을 사용한 분류는 93.75%의 정확도를 기록한 반면, 세분화 기반 접근법은 성능이 떨어졌다(지표 기준 82.33%, 제안 방법 기준 78.25%), 이는 배경 정보가 분류에 도움이 된다는 것을 시사한다.
• 결과적으로 정확한 세분화가 높은 정확도의 분류에 필수적인 것은 아니며, 맥락 정보를 포함한 세포핵 검출만으로도 충분하고, 이 경우 세분화보다 성능이 뛰어나다는 것이 입증되었다.
• 전체 연결층만 미세조정하는 전이학습 접근법은 새로운 CNN을 처음부터 훈련시키는 것보다 훨씬 빠르고 단순했으며, 동등하거나 더 뛰어난 성능를 달성했다.