A Comparison of Deep Learning Methods for Cell Detection in Digital Cytology

要約

多くの生物医学的画像分析タスクでは、正確で効率的な細胞検出が重要です。
予測と計算効率の精度に焦点を当てた、パパニコラウ染色された細胞学的全体のスライド画像（WSI）における細胞検出のためのいくつかの深い学習（DL）方法のパフォーマンスを評価します。
CNSEGデータセットと口腔癌（OC）データセットの2つのデータセットに適用するだけでなく、最近の既製のアルゴリズムとカスタム設計の検出器を調べます。
私たちの比較には、Stardist、Cellopse、Segment Anything Model 2（SAM2）などの確立されたセグメンテーション方法と、Centroidベースの完全畳み込み回帰ネットワーク（FCRN）がアプローチします。
グラウンドトゥルースの位置からの距離に基づいて、予測の精度を評価するために、適切な評価メトリックを導入します。
また、モデルのパフォーマンスに対するデータセットのサイズとデータ増強技術の影響についても調査します。
結果は、重心ベースの方法、特に改善された完全畳み込み回帰ネットワーク（IFCRN）メソッドは、検出精度と計算効率の両方の観点からセグメンテーションベースの方法を上回ることを示しています。
この研究では、リソースに制限された環境での細胞検出の好ましいオプションとしてのCentroidベースの検出器の可能性を強調しており、精度を損なうことなく、処理時間とGPUメモリの使用量の速度を提供します。

要約(オリジナル)

Accurate and efficient cell detection is crucial in many biomedical image analysis tasks. We evaluate the performance of several Deep Learning (DL) methods for cell detection in Papanicolaou-stained cytological Whole Slide Images (WSIs), focusing on accuracy of predictions and computational efficiency. We examine recentoff-the-shelf algorithms as well as custom-designed detectors, applying them to two datasets: the CNSeg Dataset and the Oral Cancer (OC) Dataset. Our comparison includes well-established segmentation methods such as StarDist, Cellpose, and the Segment Anything Model 2 (SAM2), alongside centroid-based Fully Convolutional Regression Network (FCRN) approaches. We introduce a suitable evaluation metric to assess the accuracy of predictions based on the distance from ground truth positions. We also explore the impact of dataset size and data augmentation techniques on model performance. Results show that centroid-based methods, particularly the Improved Fully Convolutional Regression Network (IFCRN) method, outperform segmentation-based methods in terms of both detection accuracy and computational efficiency. This study highlights the potential of centroid-based detectors as a preferred option for cell detection in resource-limited environments, offering faster processing times and lower GPU memory usage without compromising accuracy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google