[论文解读] Deep CNNs for Peripheral Blood Cell Classification

Ekta Gavas, Kaustubh Olpadkar|arXiv (Cornell University)|Oct 18, 2021

Digital Imaging for Blood Diseases参考文献 30被引用 8

一句话总结

本文提出了一种基于迁移学习的深度卷积神经网络方法，利用公开数据集对八种外周血细胞类型进行分类。通过微调27个预训练模型并应用数据增强，最佳模型的集成实现了99.51%的最先进准确率，为医学影像中的自动血细胞分类设立了新基准。

ABSTRACT

The application of machine learning techniques to the medical domain is especially challenging due to the required level of precision and the incurrence of huge risks of minute errors. Employing these techniques to a more complex subdomain of hematological diagnosis seems quite promising, with automatic identification of blood cell types, which can help in detection of hematologic disorders. In this paper, we benchmark 27 popular deep convolutional neural network architectures on the microscopic peripheral blood cell images dataset. The dataset is publicly available, with large number of normal peripheral blood cells acquired using the CellaVision DM96 analyzer and identified by expert pathologists into eight different cell types. We fine-tune the state-of-the-art image classification models pre-trained on the ImageNet dataset for blood cell classification. We exploit data augmentation techniques during training to avoid overfitting and achieve generalization. An ensemble of the top performing models obtains significant improvements over past published works, achieving the state-of-the-art results with a classification accuracy of 99.51%. Our work provides empirical baselines and benchmarks on standard deep-learning architectures for microscopic peripheral blood cell recognition task.

研究动机与目标

• 开发一个端到端的深度学习系统，用于自动分类八种外周血细胞类型。
• 评估并基准测试27种标准深度卷积神经网络架构在公开外周血细胞图像数据集上的表现。
• 通过迁移学习和数据增强提升分类性能，以减轻过拟合问题。
• 为未来医学图像分析研究建立经验基线和最先进结果。
• 消除对手动特征工程或复杂混合架构的需求。

提出的方法

• 在ImageNet数据集上微调27个预训练的卷积神经网络架构，用于外周血细胞分类。
• 在训练过程中应用数据增强技术，以提升模型泛化能力并减少过拟合。
• 使用表现最佳的模型集成来提高整体分类准确率。
• 采用标准指标（如top-1和top-5准确率、损失值及混淆矩阵）评估模型性能。
• 在由专家病理科医生标注的超过80万张图像的大规模数据集上进行模型训练与验证。
• 使用标准深度学习框架，采用交叉熵损失函数和Adam优化器进行训练。

实验结果

研究问题

• RQ1 哪些深度卷积神经网络架构在外周血细胞分类任务中表现最佳？
• RQ2 从ImageNet迁移学习在数据量有限的医学图像分类任务中如何提升性能？
• RQ3 数据增强在血细胞分类中在多大程度上提升了泛化能力并减少了过拟合？
• RQ4 最佳表现模型的集成是否能够在准确率和鲁棒性方面超越单个模型？
• RQ5 在无需手动特征工程的前提下，该基准数据集上可达到的最先进性能水平是什么？

主要发现

• 最佳表现模型的集成实现了99.51%的分类准确率，创下新的最先进结果。
• Wide ResNet-50-2和Wide ResNet-101-2在所有评估模型中取得了最高的单个模型准确率。
• VGG-19和ResNet-34表现出色，其top-1准确率分别为98.78%和98.65%。
• 数据增强显著提升了模型泛化能力，表现为所有最佳模型的训练和验证曲线均保持稳定。
• 混淆矩阵显示，相似细胞类型之间的误分类极少，表明模型具有高度鲁棒性。
• 本研究为未来自动化外周血细胞分类研究建立了可靠的基准。