[論文レビュー] Parasitic Egg Detection and Classification in Low-cost Microscopic Images using Transfer Learning

Thanaphon Suwannaphong, Sawaphob Chavana+4 more|arXiv (Cornell University)|Jul 2, 2021

Digital Imaging for Blood Diseases被引用数 11

ひとこと要約

本論文では、低価格のUSBマイクロスコープで撮影された低品質な顕微鏡画像における寄生虫の卵の検出および分類を目的として、AlexNetおよびResNet50を用いた転移学習ベースのCNNフレームワークを提案する。パッチベースのスライディングウィンドウ手法を採用することで、高解像度でない困難な画像において、最先端のオブジェクト検出技術を上回る優れた性能を達成し、リソースが限られた環境でも正確な診断を可能にする。

ABSTRACT

Intestinal parasitic infection leads to several morbidities to humans worldwide, especially in tropical countries. The traditional diagnosis usually relies on manual analysis from microscopic images which is prone to human error due to morphological similarity of different parasitic eggs and abundance of impurities in a sample. Many studies have developed automatic systems for parasite egg detection to reduce human workload. However, they work with high quality microscopes, which unfortunately remain unaffordable in some rural areas. Our work thus exploits a benefit of a low-cost USB microscope. This instrument however provides poor quality of images due to limitation of magnification (10x), causing difficulty in parasite detection and species classification. In this paper, we propose a CNN-based technique using transfer learning strategy to enhance the efficiency of automatic parasite classification in poor-quality microscopic images. The patch-based technique with sliding window is employed to search for location of the eggs. Two networks, AlexNet and ResNet50, are examined with a trade-off between architecture size and classification performance. The results show that our proposed framework outperforms the state-of-the-art object recognition methods. Our system combined with final decision from an expert may improve the real faecal examination with low-cost microscopes.

研究の動機と目的

• 低価格のUSBマイクロスコープから得られる低品質な顕微鏡画像における正確な寄生虫の卵の検出の課題に対処すること。
• 農村部やリソースが限られた熱帯地域における高価なマイクロスコープへの依存を減らすこと。
• 転移学習を用いた、寄生虫の卵分類のための堅牢で自動化されたシステムの開発。
• 画像品質の制限や異なる卵種間の形態的類似性を克服することで、診断精度を向上させること。

提案手法

• 低解像度の顕微鏡画像から候補領域を抽出するために、パッチベースのスライディングウィンドウ手法を用いる。
• 事前学習済みのCNN（AlexNetおよびResNet50）を用い、独自の寄生虫の卵データセットでファインチューニングすることで転移学習を適用する。
• フレームワークは画像パッチを処理し、便標本内の寄生虫の卵の局所化と分類を実行する。
• テストセットの低品質画像を用いて、標準的な指標（精度、再現率、F1スコア）を用いて性能を評価する。
• 実際の診断の信頼性を向上させるために、専門家の入力を統合した最終意思決定の統合手法を提案する。
• より小型（AlexNet）とより深層（ResNet50）のアーキテクチャを比較することで、モデルの複雑さと精度のバランスを図る。

実験結果

リサーチクエスチョン

• RQ1 転移学習は、低価格のマイクロスコープから得られる低品質な画像における寄生虫の卵分類を効果的に改善できるか？
• RQ2 低解像度の画像において、パッチベースのスライディングウィンドウ手法は、寄生虫の卵の局所化にどの程度効果を示すか？
• RQ3 低解像度の画像における寄生虫の卵の検出および分類において、AlexNetとResNet50の性能を比較するとどうなるか？
• RQ4 提案されたシステムは、腸内寄生虫の手動診断における人為的誤差をどの程度低減できるか？
• RQ5 自動化システムと専門家の意思決定を統合することで、実際の診断現場での診断精度は向上するか？

主な発見

• 提案されたシステムは、低価格のUSBマイクロスコープから得られる低品質な顕微鏡画像において、最先端のオブジェクト検出手法を上回る性能を示した。
• より深いアーキテクチャと優れた特徴表現能力のおかげで、ResNet50はAlexNetよりも高い分類精度を達成した。
• パッチベースのスライディングウィンドウ手法は、10倍の低倍率およびノイズの多い画像でも、寄生虫の卵の局所化に成功した。
• 本システムは、異なる寄生虫の卵種間の形態的類似性に対しても頑健であった。
• 自動化された結果と専門家の検証を統合することで、実際の便検査ワークフローにおける診断の信頼性が顕著に向上した。
• 本フレームワークは、低コストの画像ハードウェアと効率性・互換性を備えているため、リソースが限られた環境への導入に適している。