[论文解读] Enhanced Center Coding for Cell Detection with Convolutional Neural Networks

Haoyi Liang, Aijaz Ahmad Naik+3 more|arXiv (Cornell University)|Apr 18, 2019

Cell Image Analysis Techniques参考文献 34被引用 4

一句话总结

该论文提出了一种新颖的中心编码方法——排斥编码（repel coding），用于使用卷积神经网络进行细胞检测，通过抑制相邻细胞中心之间的响应，提升了训练稳定性和检测精度。在四种细胞类型和两种网络架构下，与高斯分布编码和邻近编码相比，该方法在计数精度上最高提升12%，在检测精度上最高提升14%。

ABSTRACT

Cell imaging and analysis are fundamental to biomedical research because cells are the basic functional units of life. Among different cell-related analysis, cell counting and detection are widely used. In this paper, we focus on one common step of learning-based cell counting approaches: coding the raw dot labels into more suitable maps for learning. Two criteria of coding raw dot labels are discussed, and a new coding scheme is proposed in this paper. The two criteria measure how easy it is to train the model with a coding scheme, and how robust the recovered raw dot labels are when predicting. The most compelling advantage of the proposed coding scheme is the ability to distinguish neighboring cells in crowded regions. Cell counting and detection experiments are conducted for five coding schemes on four types of cells and two network architectures. The proposed coding scheme improves the counting accuracy versus the widely-used Gaussian and rectangle kernels up to 12%, and also improves the detection accuracy versus the common proximity coding up to 14%.

研究动机与目标

• 解决基于学习的细胞检测中因原始点标签编码不佳而导致的性能欠佳问题。
• 通过设计一种在熵与可逆性之间取得平衡的编码方案，提升训练稳定性和预测鲁棒性。
• 改善在密集区域中相邻细胞的区分能力，解决细胞计数与检测中长期存在的难题。
• 开发一种在多种细胞类型和成像条件下均优于广泛使用的高斯和矩形核编码方案的编码方法。

提出的方法

• 提出两种中心编码的评估标准：熵（衡量训练适用性）和可逆性（衡量标签恢复的鲁棒性）。
• 设计排斥编码，通过排斥机制在两个细胞中心中间区域最小化响应，同时增强实际中心附近的响应。
• 将排斥编码实现为从原始点标签到密度图的可学习或固定变换，以增强特征学习。
• 在四个显微图像数据集上，使用五种编码方案对比训练两种CNN架构——FCNN-A及其残差块增强版本。
• 使用F1分数和平均绝对误差（MAE）评估所有配置下的检测与计数性能。
• 基于距离小于平均细胞半径的匹配准则评估检测精度，确保预测中心与真实中心实现一对一配对。

实验结果

研究问题

• RQ1 所提出的排斥编码方案与现有编码方法（高斯分布、矩形核、邻近编码、原始点标签）相比，在训练稳定性和预测精度方面表现如何？
• RQ2 排斥编码在提升密集区域中紧密排列或重叠细胞的检测能力方面，改善程度如何？
• RQ3 排斥编码中熵与可逆性之间的平衡是否带来在多种细胞类型和成像模式下的更好泛化能力？
• RQ4 排斥编码能否缓解使用原始点标签时在小图像尺寸和稀疏标签数据集上常见的训练发散问题？
• RQ5 在不同编码方案中，引入残差卷积块对模型性能有何影响？

主要发现

• 在四个数据集和两种网络架构的40项子实验中，排斥编码在38项中取得了最高的F1分数。
• 在DG数据集上使用FCNN-A时，排斥编码相比邻近编码F1分数提升6.96%，相比高斯核编码提升7.95%。
• 在HBM数据集上使用残差块时，排斥编码的F1分数达到0.9011，优于邻近编码（0.8933）的0.78%和高斯核编码（0.8628）的3.83%。
• 在Adip和Vgg数据集上，当小批量大小低于8时，使用原始点标签训练常出现发散，而排斥编码由于标签分布更优，避免了该问题。
• 在部分遮挡区域（Vgg数据集），排斥编码的预测更稳定，而原始点标签常导致重复或不稳定的中心检测。
• 排斥编码方案展现出更优的可逆性，能够更准确、更鲁棒地从网络输出恢复原始细胞中心位置。