[论文解读] Cell Detection in Microscopy Images with Deep Convolutional Neural Network and Compressed Sensing

Yao Xue, Nilanjan Ray|arXiv (Cornell University)|Aug 10, 2017

Image Processing Techniques and Applications参考文献 33被引用 27

一句话总结

本文提出了一种名为 CNNCS 的新型深度学习框架，将卷积神经网络（CNNs）与压缩感知（CS）相结合，用于显微镜图像中细胞的检测与定位。通过使用随机投影将稀疏的细胞中心位置编码为压缩向量，并利用 L1-优化方法进行恢复，该方法在 AMIDA-2013 和 AMIDA-2016 有丝分裂检测挑战赛中均取得了 SOTA 性能，F1 分数排名第三。

ABSTRACT

The ability to automatically detect certain types of cells or cellular subunits in microscopy images is of significant interest to a wide range of biomedical research and clinical practices. Cell detection methods have evolved from employing hand-crafted features to deep learning-based techniques. The essential idea of these methods is that their cell classifiers or detectors are trained in the pixel space, where the locations of target cells are labeled. In this paper, we seek a different route and propose a convolutional neural network (CNN)-based cell detection method that uses encoding of the output pixel space. For the cell detection problem, the output space is the sparsely labeled pixel locations indicating cell centers. We employ random projections to encode the output space to a compressed vector of fixed dimension. Then, CNN regresses this compressed vector from the input pixels. Furthermore, it is possible to stably recover sparse cell locations on the output pixel space from the predicted compressed vector using $L_1$-norm optimization. In the past, output space encoding using compressed sensing (CS) has been used in conjunction with linear and non-linear predictors. To the best of our knowledge, this is the first successful use of CNN with CS-based output space encoding. We made substantial experiments on several benchmark datasets, where the proposed CNN + CS framework (referred to as CNNCS) achieved the highest or at least top-3 performance in terms of F1-score, compared with other state-of-the-art methods.

研究动机与目标

• 解决在具有复杂背景和可变细胞密度的高分辨率显微镜图像中实现准确且鲁棒的细胞检测的挑战。
• 克服传统手工设计特征方法的局限性，这些方法需要大量调参，并且在不同细胞类型间泛化能力差。
• 探索将压缩感知与深度神经网络结合用于细胞检测任务中输出空间编码的可行性。
• 开发一种端到端可训练的框架，通过利用细胞中心标注中的稀疏性来提高定位精度。
• 在基准数据集上展示优于现有 SOTA 方法的卓越性能，特别是在有丝分裂检测方面。

提出的方法

• 使用随机投影将细胞中心的稀疏像素位置编码为压缩向量，将输出维度降低至固定大小。
• 训练卷积神经网络（CNN）直接从输入显微镜图像回归压缩输出向量。
• 利用 L1-范数优化方法，从预测的压缩向量中稳定地恢复原始的稀疏细胞中心位置。
• 通过在多个重叠的图像块配置（偏移量从 0 到 180px，每 20px 一个步长）上应用集成平均，提高检测的鲁棒性。
• 通过在验证集上进行随机搜索来优化超参数（M, L, λ），以最大化 F1 分数。
• 实施一种合并规则：若至少六个预测结果落在 9 像素半径范围内，则接受最终检测结果，并对其位置取平均。

实验结果

研究问题

• RQ1 基于压缩感知的输出编码是否能提升显微镜图像中基于深度学习的细胞检测性能？
• RQ2 使用学习到的 CNN 直接回归稀疏细胞中心的压缩表示，是否能比直接在像素空间进行回归带来更高的定位精度？
• RQ3 在标准化的有丝分裂检测基准测试中，CNNCS 框架与 SOTA 方法相比，F1 分数表现如何？
• RQ4 该框架是否能在不同细胞密度和组织学图像中表现出良好的泛化能力？
• RQ5 集成图像块处理在多大程度上提升了检测的稳定性和精度？

主要发现

• CNNCS 框架在 AMIDA-2013 有丝分裂检测挑战赛中取得了 0.471 的 F1 分数，17 支参赛团队中排名第三。
• 在 AMIDA-2016（TUPAC16）数据集上，该方法在验证集上取得了 0.634 的 F1 分数，15 支参赛团队中排名第三。
• 与 AMIDA-2013 中第四名的方法（AggNet）相比，该方法的 F1 分数提高了 10.2%。
• 采用多种偏移设置的集成图像块处理方法显著提升了检测的可靠性并减少了误报。
• 该框架在不同细胞密度和复杂组织学背景中均表现出强大的泛化能力。
• 本工作首次成功将 CNN 与压缩感知结合用于医学图像分析中的输出空间编码。