[논문 리뷰] DeepACC:Automate Chromosome Classification based on Metaphase Images using Deep Learning Framework Fused with Prior Knowledge

Chunlong Luo, Tianqi Yu외 7명|arXiv (Cornell University)|2020. 06. 28.

Advanced Neural Network Applications참고 문헌 22인용 수 5

한 줄 요약

DeepACC는 임상 코어타이핑에서의 사전 지식을 활용하여 전체 미분열기 이미지에서 염색체를 동시에 위치 특정 및 세분 분류하는 검출 기반 딥러닝 프레임워크를 제안한다. 추가적인 각도 마진 손실, 배치 효과 감소를 위한 시아모이드 네트워크, 일곱 그룹 분류 기준을 위한 그룹 내 인접성 손실을 통합함으로써, 3,390장의 임상적 미분열기 이미지 데이터셋에서 최신 기술 수준의 성능을 달성한다.

ABSTRACT

Chromosome classification is an important but difficult and tedious task in karyotyping. Previous methods only classify manually segmented single chromosome, which is far from clinical practice. In this work, we propose a detection based method, DeepACC, to locate and fine classify chromosomes simultaneously based on the whole metaphase image. We firstly introduce the Additive Angular Margin Loss to enhance the discriminative power of model. To alleviate batch effects, we transform decision boundary of each class case-by-case through a siamese network which make full use of prior knowledges that chromosomes usually appear in pairs. Furthermore, we take the clinically seven group criterion as a prior knowledge and design an additional Group Inner-Adjacency Loss to further reduce inter-class similarities. 3390 metaphase images from clinical laboratory are collected and labelled to evaluate the performance. Results show that the new design brings encouraging performance gains comparing to the state-of-the-art baselines.

연구 동기 및 목표

• 고립된 수동 분할 염색체가 아닌 전체 미분열기 이미지를 처리함으로써 자동 염색체 분류의 임상적 격차를 해소하고자 한다.
• 염색체가 쌍으로 존재하는 생물학적 사전 지식을 활용해 시아모이드 네트워크를 통해 배치 효과를 감소시키고 모델 편향을 줄이고자 한다.
• 일곱 그룹 분류 체계에서의 클래스 간 분리성을 향상시키기 위해 새로운 그룹 내 인접성 손실을 통해 그룹 수준의 사전 지식을 통합하고자 한다.
• 실제 임상 코어타이핑 워크플로우를 반영한 임상적으로 유의미한 프레임워크를 개발하여 세포유전체학 분야에서 딥러닝의 실용적 적용 가능성을 높이고자 한다.

제안 방법

• 특징 공간에서 클래스 간 임베딩 간 거리를 증가시켜 특징의 구분 능력을 향상시키기 위해 추가적인 각도 마진 손실을 도입한다.
• 염색체 쌍의 구조를 모델링함으로써 각 염색체 쌍에 맞는 决정 경계를 적응시키고, 생물학적 사전 지식인 염색체 쌍화를 활용해 배치 효과를 감소시킨다.
• 연속된 코어타이핑 그룹의 염색체 간 유사도를 최소화함으로써 임베딩 공간 내에서 그룹 구조를 강화하는 그룹 내 인접성 손실을 설계한다.
• 위치 및 세분 분류 레이블이 주어진 3,390장의 전체 미분열기 이미지에서 엔드 투 엔드로 모델을 훈련시킨다.
• 검출 기반 아키텍처를 활용해 개별 염색체의 위치를 동시에 국소화하고 세분 레이블을 예측한다.
• 임상적으로 표준인 일곱 그룹 코어타이핑 체계를 손실 함수 및 모델 설계에 구조적 인덕티브 바이어스로 통합한다.

실험 결과

연구 질문

• RQ1 딥러닝 모델은 전체 미분열기 이미지에서 염색체를 동시에 검출하고 세분 분류할 수 있는가, 동시에 임상적 관련성도 유지할 수 있는가?
• RQ2 염색체 쌍화 및 일곱 그룹 코어타입 체계와 같은 생물학적 사전 지식을 통합할 경우 분류 성능과 견고성이 어떻게 향상되는가?
• RQ3 제안된 그룹 내 인접성 손실은 인접한 코어타이핑 그룹의 염색체 간 유사도를 얼마나 줄이고, 클래스 간 분리도를 향상시키는가?
• RQ4 추가적인 각도 마진 손실과 시아모이드 기반의 배치 효과 보정을 융합했을 때, 실제 임상 데이터에서 최신 기술 수준의 방법들보다 우수한 성능을 내는가?

주요 결과

• 추가적인 각도 마진 손실 통합으로 특징의 구분 능력이 크게 향상되어 클래스 간 분리도가 향상된다.
• 시아모이드 네트워크가 염색체 쌍의 구조를 모델링함으로써 배치 효과를 효과적으로 감소시켜 다양한 배치 간 일반화 능력을 향상시킨다.
• 그룹 내 인접성 손실이 이웃한 코어타이핑 그룹의 염색체 간 유사도를 성공적으로 감소시켜 세분 분류 정확도를 향상시켰다.
• 전반적인 DeepACC 프레임워크는 3,390장의 임상적 미분열기 이미지 데이터셋에서 최신 기술 수준의 성능을 달성하였으며, 기존 베이스라인 대비 뚜렷한 성능 향상을 보였다.
• 모델이 수동 분할 없이 전체 미분열기 이미지를 처리할 수 있다는 점이 기존 방법들에 비해 임상적 구현에 더 적합하다는 점에서 유의미하다.