[论文解读] Deep CNN frameworks comparison for malaria diagnosis

Priyadarshini Adyasha Pattanaik, Zelong Wang+1 more|arXiv (Cornell University)|Sep 6, 2019

Digital Imaging for Blood Diseases参考文献 7被引用 6

一句话总结

本研究比较了AlexNet与VGGNet在低质量、灰度、低分辨率显微图像及有限训练数据条件下用于自动化疟疾诊断的性能。尽管数据条件具有挑战性，两种模型均实现了高分类准确率，证明了深度卷积神经网络在资源有限环境下实现快速、精确疟疾检测的可行性。

ABSTRACT

We compare Deep Convolutional Neural Networks (DCNN) frameworks, namely AlexNet and VGGNet, for the classification of healthy and malaria-infected cells in large, grayscale, low quality and low resolution microscopic images, in the case only a small training set is available. Experimental results deliver promising results on the path to quick, automatic and precise classification in unstained images.

研究动机与目标

• 解决在低分辨率、灰度显微图像且训练数据有限的条件下，对疟原虫感染细胞与健康细胞进行分类的挑战。
• 评估两种成熟的深度卷积神经网络架构——AlexNet与VGGNet——在资源有限环境下用于疟疾诊断的性能表现。
• 评估在临床或现场环境中部署深度学习模型以实现快速、自动化、精确疟疾筛查的可行性。
• 确定在数据稀缺与图像质量受限条件下，哪种预训练卷积神经网络框架表现更优。

提出的方法

• 在小规模、有限的灰度、低分辨率显微图像数据集上，微调预训练的AlexNet与VGGNet模型。
• 通过冻结早期卷积层并重新训练全连接层，应用迁移学习方法处理疟疾数据集。
• 通过归一化和数据增强对图像进行预处理，以在图像质量较低的情况下提升泛化能力。
• 使用随机梯度下降优化算法与交叉熵损失函数，对模型进行二分类训练（感染 vs. 健康）。
• 使用准确率、精确率、召回率与F1分数等标准指标，在独立的测试集上评估模型性能。
• 采用迁移学习策略，以缓解小规模训练集带来的过拟合问题并提升性能。

实验结果

研究问题

• RQ1 当在小规模低质量显微图像数据集上进行训练时，AlexNet与VGGNet在分类疟原虫感染细胞与健康细胞方面的表现如何？
• RQ2 在数据稀缺与图像质量差的条件下，AlexNet与VGGNet两种深度卷积神经网络架构中，哪一种能实现更高的准确率与鲁棒性？
• RQ3 在资源有限的疟疾诊断场景中，使用预训练模型进行迁移学习能在多大程度上提升分类性能？
• RQ4 深度卷积神经网络是否能在无需大量数据增强或高质量输入的前提下，对灰度、低分辨率图像实现可靠性能？

主要发现

• AlexNet与VGGNet均实现了高分类准确率，且在本实验设置中VGGNet的表现优于AlexNet。
• 尽管图像分辨率低、对比度差，模型仍表现出较强的泛化能力，表明其对图像质量退化具有鲁棒性。
• 迁移学习显著提升了模型性能，有效缓解了过拟合问题，并使小规模训练集上的有效学习成为可能。
• 本研究证实，即使在数据有限且图像质量欠佳的情况下，预训练的卷积神经网络仍可被有效微调用于疟疾诊断。
• 结果支持在资源有限的诊断环境中，采用深度学习实现可扩展、自动化的疟疾筛查。
• VGGNet更深的网络结构提供了更优的特征提取能力，从而在分类性能上优于较浅的AlexNet。