[论文解读] Comparison-Based Convolutional Neural Networks for Cervical Cell/Clumps Detection in the Limited Data Scenario

Yixiong Liang, Zhihong Tang+4 more|arXiv (Cornell University)|Oct 14, 2018

Vehicle License Plate Recognition参考文献 74被引用 7

一句话总结

该论文提出了一种比较检测器，用于在数据有限的场景下进行宫颈细胞和细胞簇检测，采用Faster R-CNN与特征金字塔网络（FPN）作为基础模型，并用非参数化比较模块替代标准分类器，该模块利用参考样本学习到的原型表征。该方法在小规模数据集上实现了26.3%的mAP和35.7%的AR，较基线模型在两项指标上均提升约20个百分点，证明了在数据稀缺条件下具有出色的泛化能力。

ABSTRACT

Automated detection of cervical cancer cells or cell clumps has the potential to significantly reduce error rate and increase productivity in cervical cancer screening. However, most traditional methods rely on the success of accurate cell segmentation and discriminative hand-crafted features extraction. Recently there are emerging deep learning-based methods which train convolutional neural networks (CNN) to classify image patches, but they are computationally expensive. In this paper we propose an efficient CNN-based object detection methods for cervical cancer cells/clumps detection. Specifically, we utilize the state-of-the-art two-stage object detection method, the Faster-RCNN with Feature Pyramid Network (FPN) as the baseline and propose a novel comparison detector to deal with the limited data problem. The key idea is that classify the proposals by comparing with the reference samples of each category in object detection. In addition, we propose to learn the reference samples of the background from data instead of manually choosing them by some heuristic rules. Experimental results show that the proposed Comparison Detector yields significant improvement on the small dataset, achieving a mean Average Precision (mAP) of 26.3% and an Average Recall (AR) of 35.7%, both improving about 20 points compared to the baseline. Moreover, Comparison Detector improved AR by 4.6 points and achieved marginally better performance in terms of mAP compared with baseline model when training on the medium dataset. Our method is promising for the development of automation-assisted cervical cancer screening systems. Code is available at https://github.com/kuku-sichuan/ComparisonDetector.

研究动机与目标

• 解决宫颈癌筛查中因人工标注成本高且不一致而导致的标注数据有限问题。
• 克服传统方法依赖精确细胞分割和手工设计特征的局限性。
• 开发一种面向宫颈细胞学的高效数据对象检测框架，避免预分割处理并减少对大规模训练集的依赖。
• 通过从数据中学习原型表征而非使用启发式规则，提升在少样本和小数据场景下的泛化能力。
• 通过端到端整图处理实现高效推理，避免补丁提取，降低计算成本。

提出的方法

• 采用Faster R-CNN与FPN作为基线两阶段目标检测器，实现宫颈细胞和细胞簇的端到端检测。
• 将标准分类头替换为非参数化比较分类器，该分类器将区域提议与各类别的学习到的原型表征进行比较。
• 通过数据驱动方法而非启发式选择，从每类的参考样本（包括背景）中生成原型表征。
• 使用参数化的ℓ₂距离（通过7×7卷积实现）学习提议与原型之间的度量函数，优于固定距离度量。
• 在训练过程中应用一种平衡技巧以稳定学习过程，提升不同数据集上的mAP和AR。
• 利用t-SNE与K-means聚类选择参考样本，识别位于聚类中心附近的代表性实例，从而提升原型质量。

实验结果

研究问题

• RQ1 在数据量较少的场景下，基于比较的分类器能否提升宫颈细胞检测的性能？
• RQ2 从数据中学习原型表征与启发式选择相比，在检测准确率上有何差异？
• RQ3 在基于比较的分类头中，何种距离度量（如ℓ₂、参数化ℓ₂）表现最佳？
• RQ4 不同参考样本选择策略（随机、固定、t-SNE+K-means）对检测mAP和AR有何影响？
• RQ5 与标准CNN检测器相比，所提方法在小数据集上在多大程度上减少了过拟合并提升了泛化能力？

主要发现

• 在小数据集上，比较检测器实现了26.3%的平均平均精度（mAP），较基线模型的6.6%提升了19.7个百分点。
• 在小数据集上的平均召回率（AR）达到35.7%，较基线模型的12.9%提升了22.8个百分点。
• 在中等规模数据集上，该方法使AR提升了4.6个百分点，且mAP略高于基线模型。
• 消融研究中，参数化ℓ₂距离优于标准ℓ₂和其他度量方式，达到44.5%的mAP。
• 使用t-SNE与K-means选择参考样本时性能最佳（mAP为45.9%），优于固定选择（44.5%）和随机选择（42.8%）。
• 该方法通过单次前向传播完成整图推理，避免了计算成本高昂的基于补丁的处理，实现高效推理。