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

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

Cell Image Analysis Techniques参考文献 28被引用 19

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，以提升显微镜细胞检测的性能。通过随机投影将稀疏的细胞中心位置编码为压缩向量，CNN 从输入图像中回归该压缩表示，再通过 L1-优化恢复原始细胞位置——在基准数据集上实现了最先进性能，并在 AMIDA13 MICCAI 竞赛中排名第三。

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 to locate target cells. 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. Consequently, 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. Using $L_1$-norm optimization, we recover sparse cell locations on the output pixel space from the predicted compressed vector. 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 experimentally demonstrate that proposed CNN + CS framework (referred to as CNNCS) exceeds the accuracy of the state-of-the-art methods on many benchmark datasets for microscopy cell detection. Additionally, we show that CNNCS can exploit ensemble average by using more than one random encodings of the output space. In the AMIDA13 MICCAI grand competition, we achieve the 3rd highest F1-score in all the 17 participated teams. More ranking details are available at this http URL Implementation of CNNCS is available at this https URL

研究动机与目标

• 为利用深度学习实现显微镜图像中准确且高效的细胞检测提供解决方案。
• 探索一种替代传统像素空间训练的方法，通过编码输出空间以提升泛化能力与效率。
• 将压缩感知与深度学习相结合，用于生物医学图像分析中的稀疏输出预测。
• 评估多种随机编码在通过集成平均提升检测性能方面的有效性。
• 在基准数据集和真实世界竞赛（如 AMIDA13）中展示卓越性能。

提出的方法

• 该方法使用随机投影将稀疏输出空间（即细胞中心的标记像素位置）编码为压缩向量。
• 训练卷积神经网络（CNN）直接从输入显微镜图像回归该压缩向量。
• 通过 L1-范数优化从预测的压缩向量中恢复原始稀疏细胞位置，以求解欠定系统。
• 通过应用多个独立的随机编码，该框架支持集成平均，从而提升鲁棒性与准确性。
• 该方法在利用压缩感知理论保证的同时，受益于深度 CNN 的表征能力。
• 该方法为端到端可训练的回归-压缩感知框架，避免了直接的像素级分类。

实验结果

研究问题

• RQ1 压缩感知能否与深度卷积神经网络有效结合，以提升显微镜图像中的细胞检测性能？
• RQ2 通过随机投影编码输出空间，是否相比直接的像素空间回归能带来更好的泛化能力与性能表现？
• RQ3 能否通过集成平均利用多个随机编码来提升检测精度？
• RQ4 CNNCS 框架在标准显微镜细胞检测基准数据集上的表现与最先进方法相比如何？
• RQ5 所提出的方法能否在真实世界的大规模竞赛（如 AMIDA13）中取得具有竞争力的结果？

主要发现

• CNNCS 框架在多个显微镜细胞检测基准数据集上实现了最先进性能。
• 该方法在 AMIDA13 MICCAI 大赛中位列 17 支参赛团队中的第 3 名，展现出强大的真实世界表现。
• 通过集成平均使用多个随机编码，进一步提升了检测精度。
• 将压缩感知与深度学习结合，实现了对稀疏输出的有效回归，同时保持了高重建保真度。
• 该框架通过利用细胞中心位置的稀疏性以及 CNN 在压缩域中的表达能力，优于现有方法。
• 该方法是首次在细胞检测任务中成功应用基于压缩感知的输出空间编码与 CNN 的结合。