[论文解读] Deep CNNs for HEp-2 Cells Classification : A Cross-specimen Analysis

Hongwei Li, Wei‐Shi Zheng+1 more|arXiv (Cornell University)|Apr 20, 2016

Digital Imaging for Blood Diseases被引用 10

一句话总结

本文提出一种用于跨样本分类HEp-2细胞染色模式的深度卷积神经网络（CNN）架构，强调跨样本泛化能力。结果表明，通过增加新样本进行数据增强，其性能显著优于仅使用仿射变换的方法，在留一specimen-out评估下达到83.55%的平均类别准确率，优于先前的CNN模型，凸显了训练数据中样本多样性的重要性。

ABSTRACT

Automatic classification of Human Epithelial Type-2 (HEp-2) cells staining patterns is an important and yet a challenging problem. Although both shallow and deep methods have been applied, the study of deep convolutional networks (CNNs) on this topic is shallow to date, thus failed to claim its top position for this problem. In this paper, we propose a novel study of using CNNs for HEp-2 cells classification focusing on cross-specimen analysis, a key evaluation for generalization. For the first time, our study reveals several key factors of using CNNs for HEp-2 cells classification. Our proposed system achieves state-of-the-art classification accuracy on public benchmark dataset. Comparative experiments on different training data reveals that adding different specimens,rather than increasing in numbers by affine transformations, helps to train a good deep model. This opens a new avenue for adopting deep CNNs to HEp-2 cells classification.

研究动机与目标

• 为解决在HEp-2细胞染色模式分类中跨样本泛化的问题。
• 评估深度CNN在真实留一specimen-out协议下的有效性。
• 研究不同数据增强策略对小而多样化数据集上模型性能的影响。
• 将所提出的深度架构与现有最先进方法在公开HEp-2数据集上的表现进行比较。

提出的方法

• 设计了一个包含十层、使用1×1卷积核的深度CNN，以增加网络深度和参数容量。
• 网络采用ReLU激活函数，并使用小随机权重初始化以稳定训练过程。
• 通过ICPR 2014数据集提供的真实标注边界框和分割掩码，自动从样本图像中提取细胞。
• 通过旋转和镜像图像应用数据增强，同时对特定模式实施增强以平衡代表性不足的类别。
• 采用留一specimen-out（LOSO）交叉验证，评估模型在不同患者样本间的泛化能力。
• 性能通过平均类别准确率（MCA）进行衡量，该指标为I3A HEp-2分类竞赛的标准评价指标。

实验结果

研究问题

• RQ1 当测试样本在训练过程中完全未见时，深度CNN在跨样本评估下的表现如何？
• RQ2 基于样本的数据增强与仿射变换（如旋转、镜像）相比，对模型准确率的相对影响是什么？
• RQ3 在训练集中增加不同样本的数量，是否比通过变换增加图像数量更能提升泛化能力？
• RQ4 在LOSO评估下，所提出的深度架构与先前最先进方法在MCA上的表现相比如何？
• RQ5 当在有限且样本多样的数据上进行训练时，深度学习模型能否在HEp-2细胞分类任务中实现具有竞争力的性能？

主要发现

• 当在包含114,986张增强图像和Task-1数据的合并数据集上训练时，所提出的深度CNN在留一specimen-out评估下实现了83.55%的平均类别准确率（MCA）。
• 基于样本的数据增强（增加新样本）显著优于仅使用仿射变换，表现为在样本更多但图像更少的集合上MCA达到79.13%，而旋转集合的MCA较低。
• 在包含更多样本的set-3上训练的模型优于在图像数量多八倍（通过旋转增强）的set-2上训练的模型，表明样本多样性比通过增强增加图像数量更具价值。
• 与先前使用LeNet-5架构的CNN相比，所提出的深度CNN在MCA上高出2.79个百分点（74.67% vs. 71.88%），证明了更深网络架构的优势。
• 混淆矩阵显示，高尔基体类别的准确率仅为70.30%，表明类别不平衡以及与其他模式的形态相似性仍是主要障碍。
• 在k折交叉验证下，同一模型在无数据增强时达到91.16%的MCA，凸显了对样本身份过拟合的风险，强调了LOSO在真实评估中的重要性。