[논문리뷰] Semantic segmentation of HeLa cells: An objective comparison between one traditional algorithm and four deep-learning architectures_2020

Abstract

• 본 논문에서는, 일반적으로 Hela 세포로 알려진 자궁경부암 세포의 핵 외피의 semantic segmenation을 위한 전통적 접근법 및 4가지 딥러닝 접근법을 비교하고있음. 구체적으로는, 전통적인 이미지 처리 알고리즘과 VGG16, ResNet18, Inception-ResNet-v2 및 U-Net의 4가지 Deep Learning Architecture를 비교 수행하였음.
  • VGG16, ResNet18, Inception-ResNet-v2 모델은 ImageNet으로 pre-trained 후 Transfer learning을 통해 미세 조정
  • U-Net 모델은 36,000개의 train imageset과 128*128 크기의 Label로 최초부터 훈련
• 사용된 데이터셋 : 전자 현미경을 사용하여 촬영한 각각 2000 × 2000 픽셀의 Hela cell 300 조각
  
• 비교결과 : VGG16(93%, 90%), ResNet18(94%, 88%), Inception-ResNet-v2(94%, 89%) 및 U-Net(92%, 56%)에 비해 기존의 전통적 이미지 처리 알고리즘(정확도 = 99%, Jaccard = 93%)이 우수한 성능을 나타내었음.

1. Introduction

• Deep Learning Architecture을 전통적인 이미지 처리 알고리즘과 비교하였을때 2가지 한계점
  1. 많은 양의 train dataset이 필요함.
  2. 큰 computational power가 요구됨.
• 그러나 2번째 한계점은, GPU가 대중화됨에 따라 어느정도 해결되었지만 딥러닝 모델을 사용할때 여전히 많은 양의 train dataset을 필요로함.
• VGG16, ResNet, Inception-ResNet-v2 모델은 ImageNet으로 Pre-trained된 모델을 가져와서 transfer learning 통해 미세조정 통해 학습시켰고, U-Net의 경우 실제로 직접 수집한 train imageset 및 label로 최초 단계부터 학습을 진행.
• 전통적 이미지 처리 알고리즘 : low-pass filtering, edge detection(가우시안 필터링을 활용한 edge 검출 기법), dilation(확장), super-pixel 생성, 거리 변환, Hela cell 세포의 핵 외피와 배경을 자동으로 분할 후 이미지를 처리하는 등 기존 이미지 처리에서 많이 연구된 task들을 활용
• 이를 통해 전통적 이미지 처리 알고리즘 vs 4가지 Deep Learning 알고리즘의 객관적인 성능 비교 수행

2. Materials and Methods

• 모델 알고리즘별로 Hela cell 이미지 데이터가 처리된 구조적 방식은 아래와 같음. 각 모델별 특성을 그대로 따라서 이미지 처리 수행.
  
• Network Training 과정에서 6:4 비율로 train/Test Dataset을 분할하였으며, image augmentation 기법을 통해 데이터셋 증강 시킨 후 모델 학습 진행함.
• 학습 과정에서 사용된 최적화 기법은 Momentum 기반의 Stochastic Gradient Descent 기법으로 설정.
• 정량적 비교 기준 : 2가지 metric 사용
  
  • 1. Accuracy(정확도) = TP+TN / TP+FN+TN+FP
  • 2. Jaccard 유사도 = TP / TP+FP+FN

3. Results

• 전통적 이미지 처리 알고리즘 : 완전 자동화되어 8초 내 Hela cell 의 각 slice을 처리하고 40분 내 300개 slice가 포함된 전체 cell 처리 가능.
• 딥러닝 모델은 이보다 훨씬 오랜 시간동안 미세조정 및 학습 시간이 소요됨. 시각적으로 전체적인 결과를 봤을때는 Semantic segmentation 수행결과가 대부분 잘 수행된것처럼 보이지만, Nuclear Envelope 등 작은 objects 까지 잘 수행되었는지를 비교해보았을 때는 전통적 이미지 처리 알고리즘보다 정확도가 떨어짐을 확인할 수 있음.
  • VGG16 : 21.25h
  • ResNet18 : 1.5h
  • Inception-ResNet-v2 : 4.7h

4. Discussion

• 한 세포를 300개의 Slice로 분할하였을때, 세포 내에서 중앙을 차지하는 slice의 경우(75/300 ~ 225/300)는 전통적 이미지 처리 알고리즘이 Accuracy와 Jaccard 유사도 모두 딥러닝 모델의 결과보다 높게 나타남. 중앙 외에 하단과 상단 slice의 결과를 살펴보면, 전통적 이미지 처리 알고리즘에서는 Accuracy가 더 높게 나타났고 딥러닝 모델 처리결과는 Jaccard 유사도가 더욱 높게 나타남.
  • 그 이유는? 세포의 핵은 일반적으로 세포 내 중심 slice에 위치하지만 중심 slice외 하단/상단 slice에서는 세포 핵이 불규칙하게 나타나며, 전통적 이미지 처리 알고리즘이 중앙 slice를 벗어난 특정 수준 아래와 위의 세포 핵을 감지하지 못했기 때문...
• 즉, 세포의 중앙 slice(75/300 ~ 225/300) 부분에서 전통적 이미지 처리 알고리즘에 의해 최상의 결과를 얻을 수 있음.
• Hela cell의 dataset으로 전통적 이미지 처리 알고리즘과 딥러닝 모델의 semantic segmentation 수행 결과 비교 분석을 통해, 특정 case에서 전통적 이미지 처리 알고리즘의 딥러닝 모델의 성능을 능가하므로 이를 적절히 활용할 필요가 있음을 Insight로 얻을 수 있었다.