[論文レビュー] Red Blood Cell Morphology Dataset for Image Classification

Saadallah, Mouna|arXiv (Cornell University)|Feb 27, 2025

Digital Imaging for Blood Diseases被引用数 8

ひとこと要約

本稿では、凹点検出と方向付き楕円フィッティングを用いて重なりを解消することで、赤血球（RBC）のセグメンテーションと分類を実現する新規フレームワークを提案する。また、データオーグメンテーション、フォーカル損失、重み正則化を用いてクラス不均衡を解消する。EfficientNet-B1を用いた手法は、12クラスのRBCデータセットで92.1%の正確性と86.79%のF1スコアを達成し、先行モデルを上回る性能を示した。

ABSTRACT

The dataset was compiled from multiple sources: Chula RBC-12-Dataset (Naruenatthanaset et al., 2021): The dataset includes the following classes: Normal, Macrocyte, Microcyte, Spherocyte, Target cell, Stomatocyte, Ovalocyte, Teardrop, Burr cell, Schistocyte, uncategorized, Hypochromia, and Elliptocyte. \url{https://github.com/Chula-PIC-Lab/Chula-RBC-12-Dataset} ThalassemiaPBS-Dataset (Tyas et al., 2022): This dataset represents nine distinct cell types. \url{https://doi.org/10.17632/rfdz6wfzn4.1} Our samples: This supplementary collection was provided by the Anti-Cancer Centre in El-Oued, Algeria. It contains 13 blood smear images representing five different RBC disorders: Burr cells, Ovalocyte, Teardrop. Schistocyte, and Stomatocyte These samples were provided in May 2024 using an optical microscope at 1000x magnification. We cropped each blood smear image from the Chula RBC-12 Dataset to cepture single RBCs and relevant ROI. We then categorized them according to their class using the referenced files provided by the authors. The "Label" folder found in the dataset is structured as follows: x and y coordinates, and the RBC type represented as values from 1 to 11. We did the same on the samples we got from the ACC. The labelling was done by specialists in the centre.

研究の動機と目的

• 顕微鏡的血液塗抹標本における重なりを示す赤血球の正確なセグメンテーションと分類を困難にしている要因を解消すること。
• 正常赤血球が著しく多く、希少疾患型が少ないRBCデータセットにおける深刻なクラス不均衡（不均衡比最大34.538）を克服すること。
• モバイルデバイスに適した軽量でリアルタイムなRBC分類システムの開発。
• ベンチマーク用に公開可能な高品質な12クラスRBC形態データセットの提供。

提案手法

• RBCの境界上に凹点を検出することで、重なり領域を特定する。
• 凸曲線に対して方向付き楕円フィッティングを適用し、個々のRBCの形状を推定して重なりを分離する。
• スライド間の色のばらつきを低減し、モデルの汎化性能を向上させるために色の正規化を実施する。
• 多クラスRBC分類のバックボーンとしてEfficientNet-B1を採用する。
• データオーグメンテーション、フォーカル損失、重み正則化を統合し、多数クラスへのバイアスを軽減する。
• Chula-RBC-12データセットにおけるモデルの頑健性と汎化性能を評価するため、5分割交差検証を実施する。

実験結果

リサーチクエスチョン

• RQ1 幾何的制約を用いて、顕微鏡的血液塗抹標本における重なり赤血球を効果的に分離する方法は何か？
• RQ2 赤血球形態分類における極端なクラス不均衡を最も効果的に処理する深層学習戦略は何か？
• RQ3 EfficientNet-B1のような軽量モデルは、モバイルデバイスへの適合を考慮しつつも高い正確性を達成できるか？
• RQ4 データオーグメンテーション、フォーカル損失、重み正則化の組み合わせは、他の手法に比べて少数クラスの性能向上にどの程度寄与するか？

主な発見

• 提案された重なりセル分離手法は、セグメンテーション正確性0.889を達成した。
• データオーグメンテーションとフォーカル損失を組み合わせたEfficientNet-B1を用いた場合、最高の分類性能として92.1%の正確性と86.79%のF1スコアを達成した。
• 重み正則化とデータオーグメンテーションの組み合わせが、他の損失関数やサンプリング戦略に比べ、少数クラスのF1スコアを最も高めた。
• 5分割交差検証において、すべての46例の重なりセルが正しく分類された。これは、複雑なセル構成に対してもモデルの頑健性が確認されたことを示している。
• 混同行列から、748枚のテスト画像のうち6枚のみが誤分類された。最も頻度の高かった誤分類は、ドアクイートとシュイストサイトのように形態が類似したクラス同士の誤分類であった。
• 12種類のRBCタイプと3,700枚以上の画像を含むChula-RBC-12データセットの公開により、今後の研究のための貴重なベンチマークが提供された。