[论文解读] Classification of Cell Images Using MPEG-7-influenced Descriptors and Support Vector Machines in Cell Morphology

Tobias Abenius|ArXiv.org|Dec 12, 2008

Digital Imaging for Blood Diseases参考文献 8被引用 4

一句话总结

本文提出了一种基于MPEG-7启发的颜色与纹理描述符结合支持向量机（SVM）的细胞图像分类系统，用于血细胞形态分析。该方法通过引入人类感知的纹理度量扩展了标准MPEG-7特征，在CellaVision™数据集存在真实标签错误的情况下，主分类任务的错误率为10.8%，五类简化白细胞问题的错误率为3.1%。

ABSTRACT

Counting and classifying blood cells is an important diagnostic tool in medicine. Support Vector Machines are increasingly popular and efficient and could replace artificial neural network systems. Here a method to classify blood cells is proposed using SVM. A set of statistics on images are implemented in C++. The MPEG-7 descriptors Scalable Color Descriptor, Color Structure Descriptor, Color Layout Descriptor and Homogeneous Texture Descriptor are extended in size and combined with textural features corresponding to textural properties perceived visually by humans. From a set of images of human blood cells these statistics are collected. A SVM is implemented and trained to classify the cell images. The cell images come from a CellaVision DM-96 machine which classify cells from images from microscopy. The output images and classification of the CellaVision machine is taken as ground truth, a truth that is 90-95% correct. The problem is divided in two -- the primary and the simplified. The primary problem is to classify the same classes as the CellaVision machine. The simplified problem is to differ between the five most common types of white blood cells. An encouraging result is achieved in both cases -- error rates of 10.8% and 3.1% -- considering that the SVM is misled by the errors in ground truth. Conclusion is that further investigation of performance is worthwhile.

研究动机与目标

• 开发一种基于SVM的鲁棒方法，利用MPEG-7启发描述符对人类血细胞图像进行分类。
• 通过引入人类视觉纹理特征，扩展MPEG-7描述符以提高分类准确率。
• 在复杂的真实世界分类任务和简化但具有临床相关性的五类白细胞问题上评估性能。
• 评估真实标签错误对SVM在医学图像分类中性能的影响。
• 探索手工设计特征在细胞形态学任务中作为深度学习替代方案的可行性。

提出的方法

• 通过增大尺寸并结合人类感知的纹理特征，扩展了四种MPEG-7描述符——可伸缩颜色、颜色结构、颜色布局和同质纹理。
• 引入了包括邻域灰度差异矩阵、粗糙度、对比度、繁复度、复杂度和纹理强度在内的视觉纹理特征。
• 使用快速傅里叶变换（FFT）在频域实现2D卷积，以加速Gabor小波滤波，提升运行时性能。
• 采用SVM训练的随机梯度上升变体，通过一对多策略实现多分类。
• 应用数据缩放和特征归一化以提升SVM的收敛性和泛化能力。
• 通过自定义流水线（jpeg_genfeature）生成特征，并以libSVM格式存储，用于模型训练与预测。

实验结果

研究问题

• RQ1 MPEG-7启发描述符结合人类视觉纹理特征是否能提升血细胞形态分类的准确率？
• RQ2 基于自身（可能存在噪声）真实标签进行训练的SVM系统，其性能与CellaVision™ DM-96机器相比如何？
• RQ3 真实标签数据中的错误在多大程度上影响了训练SVM模型的泛化能力和错误率？
• RQ4 简化五类白细胞分类任务在临床相关性与模型评估方面有多有效？
• RQ5 手工设计的非深度学习特征在细胞图像分类中是否能与最先进方法相媲美？

主要发现

• 系统在主分类任务中实现了10.8%的错误率，该任务与CellaVision™ DM-96机器区分的类别相同。
• 针对最常见白细胞的简化五类问题，错误率显著降低至3.1%。
• 主任务中最常见的误分类发生在分叶中性粒细胞（类别1）与杆状中性粒细胞（类别6）之间，二者在视觉上相似，且在真实标签中常被错误标注。
• 简化任务中的混淆度最高出现在单核细胞（类别5）与淋巴细胞（类别31）之间，这两类即使对专家和CellaVision™系统也难以区分。
• 作者得出结论：模型性能受限于真实标签错误，若标签完美，性能有望显著提升。
• 研究表明，进一步探索特征工程与模型优化具有重要意义，尤其考虑到在简化任务中表现出的优异性能。