[논문 리뷰] Deep CNNs for Peripheral Blood Cell Classification

Ekta Gavas, Kaustubh Olpadkar|arXiv (Cornell University)|2021. 10. 18.

Digital Imaging for Blood Diseases참고 문헌 30인용 수 8

한 줄 요약

이 논문은 공개된 데이터셋을 사용하여 8종류의 말초혈액세포를 분류하기 위해 전이학습 기반의 딥 컨볼루션 신경망 접근법을 제안한다. 27개의 사전 훈련된 모델을 미세조정하고 데이터 증강을 적용함으로써 상위 모델의 앙상블은 99.51%의 최고 성능을 기록하여 의료 영상 분석 분야에서 자동 혈액세포 분류의 새로운 기준을 설정한다.

ABSTRACT

The application of machine learning techniques to the medical domain is especially challenging due to the required level of precision and the incurrence of huge risks of minute errors. Employing these techniques to a more complex subdomain of hematological diagnosis seems quite promising, with automatic identification of blood cell types, which can help in detection of hematologic disorders. In this paper, we benchmark 27 popular deep convolutional neural network architectures on the microscopic peripheral blood cell images dataset. The dataset is publicly available, with large number of normal peripheral blood cells acquired using the CellaVision DM96 analyzer and identified by expert pathologists into eight different cell types. We fine-tune the state-of-the-art image classification models pre-trained on the ImageNet dataset for blood cell classification. We exploit data augmentation techniques during training to avoid overfitting and achieve generalization. An ensemble of the top performing models obtains significant improvements over past published works, achieving the state-of-the-art results with a classification accuracy of 99.51%. Our work provides empirical baselines and benchmarks on standard deep-learning architectures for microscopic peripheral blood cell recognition task.

연구 동기 및 목표

• 8종류의 말초혈액세포 유형을 자동으로 분류하기 위한 엔드 투 엔드 딥 러닝 시스템을 개발하기 위해.
• 공개된 말초혈액세포 영상 데이터셋에서 27개의 표준 딥 컨볼루션 신경망 아키텍처를 평가하고 비교하기 위해.
• 과적합을 완화하기 위해 전이학습과 데이터 증강을 활용하여 분류 성능을 향상시키기 위해.
• 향후 의료 영상 분석 분야의 연구를 위한 경험적 기준과 최고 성능 결과를 수립하기 위해.
• 수동적인 특징 공학 또는 복잡한 하이브리드 아키텍처가 필요 없도록 하기 위해.

제안 방법

• ImageNet 데이터셋에서 사전 훈련된 27개의 컨볼루션 신경망 아키텍처를 말초혈액세포 분류 작업에 대해 미세조정하기 위해.
• 모델 일반화 능력을 향상시키고 과적합을 줄이기 위해 훈련 중 데이터 증강 기법을 적용하기 위해.
• 최고 성능을 보인 모델들의 앙상블을 활용하여 전체 분류 정확도를 향상시키기 위해.
• 정확도, 손실, 혼동 행렬과 같은 표준 지표를 사용하여 모델 평가하기 위해.
• 전문 병리의사가 레이블링한 80만 장 이상의 대규모 데이터셋을 사용하여 모델 훈련 및 검증하기 위해.
• 표준 딥 러닝 프레임워크를 사용하여 교차 엔트로피 손실과 Adam 옵timizer를 활용해 훈련하기 위해.

실험 결과

연구 질문

• RQ1 말초혈액세포 분류 작업에서 어떤 딥 컨볼루션 신경망 아키텍처가 가장 우수한 성능을 보였는가?
• RQ2 제한된 데이터로 의료 영상 분류 작업을 수행할 때 ImageNet에서의 전이학습이 성능 향상에 어떻게 기여하는가?
• RQ3 데이터 증강이 혈액세포 분류에서 일반화 능력을 향상시키고 과적합을 줄이는 데 얼마나 기여하는가?
• RQ4 최고 성능을 보인 모델들의 앙상블이 개별 모델보다 정확도와 강건성 면에서 뛰어나게 되는가?
• RQ5 수동적인 특징 공학 없이 이 벤치마크 데이터셋에서 달성 가능한 최고 성능는 무엇인가?

주요 결과

• 최고 성능 모델들의 앙상블은 99.51%의 분류 정확도를 기록하여 새로운 최고 성능 결과를 수립하였다.
• Wide ResNet-50-2와 Wide ResNet-101-2가 평가된 모델들 중에서 가장 높은 개별 정확도를 기록하였다.
• VGG-19와 ResNet-34는 각각 98.78%와 98.65%의 top-1 정확도를 기록하여 뛰어난 성능를 보였다.
• 데이터 증강은 모든 상위 모델에서 안정적인 훈련 및 검증 곡선을 보이며 모델 일반화 능력 향상에 상당한 기여를 했다.
• 혼동 행렬 분석 결과 유사한 세포 유형 간의 오분류가 최소한이었으며, 이는 모델의 강건성을 높게 평가할 수 있음을 시사하였다.
• 이 연구는 향후 자동 말초혈액세포 분류 분야의 연구를 위한 신뢰할 수 있는 기준을 수립하였다.