細胞影象資料的主動學習

語言: CN / TW / HK

通過細胞影象的標籤對模型效能的影響,為資料設定優先順序和權重。

許多機器學習任務的主要障礙之一是缺乏標記資料。而標記資料可能會耗費很長的時間,並且很昂貴,因此很多時候嘗試使用機器學習方法來解決問題是不合理的。

為了解決這個問題,機器學習領域出現了一個叫做主動學習的領域。主動學習是機器學習中的一種方法,它提供了一個框架,根據模型已經看到的標記資料對未標記的資料樣本進行優先排序。如果想

細胞成像的分割和分類等技術是一個快速發展的領域研究。就像在其他機器學習領域一樣,資料的標註是非常昂貴的,並且對於資料標註的質量要求也非常的高。針對這一問題,本篇文章介紹一種對紅細胞和白細胞影象分類任務的主動學習端到端工作流程。

我們的目標是將生物學和主動學習的結合,並幫助其他人使用主動學習方法解決生物學領域中類似的和更復雜的任務。

本篇文主要由三個部分組成:

  • 細胞影象預處理——在這裡將介紹如何預處理未分割的血細胞影象。
  • 使用CellProfiler提取細胞特徵——展示如何從生物細胞照片影象中提取形態學特徵,以用作機器學習模型的特徵。
  • 使用主動學習——展示一個模擬使用主動學習和不使用主動學習的對比實驗。

細胞影象預處理

我們將使用在MIT許可的血細胞影象資料集(GitHub和Kaggle)。每張圖片都根據紅細胞(RBC)和白細胞(WBC)分類進行標記。對於這4種白細胞(嗜酸性粒細胞、淋巴細胞、單核細胞和中性粒細胞)還有附加的標籤,但在本文的研究中沒有使用這些標籤。

下面是一個來自資料集的全尺寸原始影象的例子:

建立樣本DF

原始資料集包含一個export.py指令碼,它將XML註釋解析為一個CSV表,其中包含每個細胞的檔名、細胞型別標籤和邊界框。

原始指令碼沒有包含cell_id列,但我們要對單個細胞進行分類,所以我們稍微修改了程式碼,添加了該列並添加了一列包括image_id和cell_id的filename列:

import os, sys, random
import xml.etree.ElementTree as ET
from glob import glob
import pandas as pd
from shutil import copyfile

annotations = glob('BCCD_Dataset/BCCD/Annotations/*.xml')
df = []
for file in annotations:
    #filename = file.split('/')[-1].split('.')[0] + '.jpg'
    #filename = str(cnt) + '.jpg'
    filename = file.split('\\')[-1]
    filename =filename.split('.')[0] + '.jpg'
    row = []
    parsedXML = ET.parse(file)
    cell_id = 0
    for node in parsedXML.getroot().iter('object'):
        blood_cells = node.find('name').text
        xmin = int(node.find('bndbox/xmin').text)
        xmax = int(node.find('bndbox/xmax').text)
        ymin = int(node.find('bndbox/ymin').text)
        ymax = int(node.find('bndbox/ymax').text)

        row = [filename, cell_id, blood_cells, xmin, xmax, ymin, ymax]
        df.append(row)
        cell_id += 1

data = pd.DataFrame(df, columns=['filename', 'cell_id', 'cell_type', 'xmin', 'xmax', 'ymin', 'ymax'])
data['image_id'] = data['filename'].apply(lambda x: int(x[-7:-4]))
data[['filename', 'image_id', 'cell_id', 'cell_type', 'xmin', 'xmax', 'ymin', 'ymax']].to_csv('bccd.csv', index=False)

裁剪

為了能夠處理資料,第一步是根據邊界框座標裁剪全尺寸影象。這就產生了很多大小不一的細胞影象:

裁剪的程式碼如下:

import os
import pandas as pd
from PIL import Image

def crop_cell(row):
    """
    crop_cell(row)
    
    given a pd.Series row of the dataframe, load row['filename'] with PIL,
    crop it to the box row['xmin'], row['xmax'], row['ymin'], row['ymax']
    save the cropped image,
    return cropped filename
    """
    input_dir = 'BCCD\JPEGImages'
    output_dir = 'BCCD\cropped'
    # open image
    im = Image.open(f"{input_dir}\{row['filename']}")

    # size of the image in pixels
    width, height = im.size

    # setting the points for cropped image
    left = row['xmin']
    bottom = row['ymax']
    right = row['xmax']
    top = row['ymin']

    # cropped image
    im1 = im.crop((left, top, right, bottom))
    cropped_fname = f"BloodImage_{row['image_id']:03d}_{row['cell_id']:02d}.jpg"
    # shows the image in image viewer
    # im1.show()

    # save image
    try:
        im1.save(f"{output_dir}\{cropped_fname}")
    except:
        return 'error while saving image'

    return cropped_fname

if __name__ == "__main__":
    # load labels csv into Pandas DataFrame
    filepath = "BCCD\dataset2-master\labels.csv"
    df = pd.read_csv(filepath)
    
    # iterate through cells, crop each cell, and save cropped cell to file
    dataset_df['cell_filename'] = dataset_df.apply(crop_cell, axis=1)

以上就是我們所做的所有預處理操作。現在,我們繼續使用CellProfiler提取特徵。

使用CellProfiler提取細胞特徵

CellProfiler是一個免費的開源影象分析軟體,可以從大規模細胞影象中自動定量測量。CellProfiler還包含一個GUI介面,允許我們視覺化的操作

首先下載CellProfiler,如果CellProfiler無法開啟,則可能需要安裝Visual C ++釋出包,具體安裝方式參考官網。

開啟軟體就可以載入影象了, 如果想構建管道可以在CellProfiler官網找到其提供的可用的功能列表。大多數功能分為三個主要組:影象處理,目標的處理和測量。

常用的功能如下:

影象處理 - 轉為灰度圖:

目標物件處理 - 識別主要物件

測量 - 測量物件強度

CellProfiler可以將輸出為CSV檔案或者儲存指定資料庫中。這裡我們將輸出儲存為CSV檔案,然後將其載入到Python進行進一步處理。

說明:CellProfiler還可以將你處理影象的流程儲存並進行分享。

主動學習

我們現在已經有了訓練需要的搜有資料,現在可以開始試驗使用主動學習策略是否可以通過更少的資料標記獲得更高的準確性。我們的假設是:使用主動學習可以通過大量減少在細胞分類任務上訓練機器學習模型所需的標記資料量來節省寶貴的時間和精力。

主動學習框架

在深入研究實驗之前,我們希望對modAL進行快速介紹:modAL是Python的活躍學習框架。它提供了Sklearn API,因此可以非常容易的將其整合到程式碼中。該框架可以輕鬆地使用不同的主動學習策略。他們的文件也很清晰,所以建議從它開始你的一個主動學習專案。

主動學習與隨機學習

為了驗證假設,我們將進行一項實驗,將新增新標籤資料的隨機子抽樣策略與主動學習策略進行比較。開始用一些相同的標記樣本訓練2個Logistic迴歸估計器。然後將在一個模型中使用隨機策略,在第二個模型中使用主動學習策略。

我們首先為實驗準備資料,載入由Cell Profiler建立的特徵。這裡過濾了無色血細胞的血小板,只保留紅和白細胞(將問題簡化,並減少資料量) 。所以現在我們正在嘗試解決二進位制分類問題 - RBC與WBC。使用Sklearn Label的label encoder進行編碼,並拆分資料集進行訓練和測試。

# imports for the whole experiment
import numpy as np
from matplotlib import pyplot as plt
from modAL import ActiveLearner
import pandas as pd
from modAL.uncertainty import uncertainty_sampling
from sklearn import  preprocessing
from sklearn.metrics import , average_precision_score
from sklearn.linear_model import LogisticRegression

# upload the cell profiler features for each cell
data = pd.read_csv('Zaretski_Image_All.csv')

# filter platelets
data = data[data['cell_type'] != 'Platelets']

# define the label
target = 'cell_type'
label_encoder = preprocessing.LabelEncoder()
y = label_encoder.fit_transform(data[target])

# take the learning features only
X = data.iloc[:, 5:]

# create training and testing sets
X_train, X_test, y_train, y_test = train_test_split(X.to_numpy(), y, test_size=0.33, random_state=42)

下一步就是建立模型

dummy_learner = LogisticRegression()

active_learner = ActiveLearner(
  estimator=LogisticRegression(),
  query_strategy=uncertainty_sampling()
)

dummy_learner是使用隨機策略的模型,而active_learner是使用主動學習策略的模型。為了例項化一個主動學習模型,我們使用modAL包中的ActiveLearner物件。在“estimator”欄位中,可以插入任何sklearnAPI相容的模型。在query_strategy '欄位中可以選擇特定的主動學習策略。這裡使用“uncertainty_sampling()”。這方面更多的資訊請檢視modAL文件。

將訓練資料分成兩組。第一個是訓練資料,我們知道它的標籤,會用它來訓練模型。第二個是驗證資料,雖然標籤也是已知的但是我們假裝不知道它的標籤,並通過模型預測的標籤和實際標籤進行比較來評估模型的效能。然後我們將訓練的資料樣本數設定成5。

# the training size that we will start with
base_size = 5

# the 'base' data that will be the training set for our model
X_train_base_dummy = X_train[:base_size]
X_train_base_active = X_train[:base_size]
y_train_base_dummy = y_train[:base_size]
y_train_base_active = y_train[:base_size]
                              
# the 'new' data that will simulate unlabeled data that we pick a sample from and label it
X_train_new_dummy = X_train[base_size:]
X_train_new_active = X_train[base_size:]
y_train_new_dummy = y_train[base_size:]
y_train_new_active = y_train[base_size:]

我們訓練298個epoch,在每個epoch中,將訓練這倆個模型和選擇下一個樣本,並根據每個模型的策略選擇是否將樣本加入到我們的“基礎”資料中,並在每個epoch中測試其準確性。因為分類是不平衡的,所以使用平均精度評分來衡量模型的效能。

在隨機策略中選擇下一個樣本,只需將下一個樣本新增到虛擬資料集的“新”組中,這是因為資料集已經是打亂的的,因此不需要再進行這個操作。對於主動學習,將使用名為“query”的ActiveLearner方法,該方法獲取“新”組的未標記資料,並返回他建議新增到訓練“基礎”組的樣本索引。被選擇的樣本都將從組中刪除,因此樣本只能被選擇一次。

# arrays to accumulate the scores of each simulation along the epochs
dummy_scores = []
active_scores = []
# number of desired epochs
range_epoch = 298
# running the experiment
for i in range(range_epoch):
   # train the models on the 'base' dataset
   active_learner.fit(X_train_base_active, y_train_base_active)
   dummy_learner.fit(X_train_base_dummy, y_train_base_dummy)

   # evaluate the models
   dummy_pred = dummy_learner.predict(X_test)
   active_pred = active_learner.predict(X_test)

   # accumulate the scores
   dummy_scores.append(average_precision_score(dummy_pred, y_test))
   active_scores.append(average_precision_score(active_pred, y_test))

   # pick the next sample in the random strategy and randomly
   # add it to the 'base' dataset of the dummy learner and remove it from the 'new' dataset
   X_train_base_dummy = np.append(X_train_base_dummy, [X_train_new_dummy[0, :]], axis=0)
   y_train_base_dummy = np.concatenate([y_train_base_dummy, np.array([y_train_new_dummy[0]])], axis=0)
   X_train_new_dummy = X_train_new_dummy[1:]
   y_train_new_dummy = y_train_new_dummy[1:]

   # pick next sample in the active strategy
   query_idx, query_sample = active_learner.query(X_train_new_active)
    
   # add the index to the 'base' dataset of the active learner and remove it from the 'new' dataset
   X_train_base_active = np.append(X_train_base_active, X_train_new_active[query_idx], axis=0)
   y_train_base_active = np.concatenate([y_train_base_active, y_train_new_active[query_idx]], axis=0)
   X_train_new_active = np.concatenate([X_train_new_active[:query_idx[0]], X_train_new_active[query_idx[0] + 1:]], axis=0)
   y_train_new_active = np.concatenate([y_train_new_active[:query_idx[0]], y_train_new_active[query_idx[0] + 1:]], axis=0)

結果如下:

plt.plot(list(range(range_epoch)), active_scores, label='Active Learning')
plt.plot(list(range(range_epoch)), dummy_scores, label='Dummy')
plt.xlabel('number of added samples')
plt.ylabel('average precision score')
plt.legend(loc='lower right')
plt.savefig("models robustness vs dummy.png", bbox_inches='tight')
plt.show()

策略之間的差異還是很大的,可以看到主動學習只使用25個樣本就可以達到平均精度0.9得分!而使用隨機的策略則需要175個樣本才能達到相同的精度!

此外主動學習策略的模型的分數接近0.99,而隨機模型的分數在0.95左右停止了!如果我們使用所有資料,那麼它們最終分數是相同的,但是我們的研究目的是在少量標註資料的前提下訓練,所以只使用了資料集中的300個隨機樣本。

總結

本文展示了將主動學習用於細胞成像任務的好處。主動學習是機器學習中的一組方法,可根據其標籤對模型效能的影響來優先考慮未標記的資料示例的解決方案。由於標記資料是一項涉及許多資源(金錢和時間)的任務,因此判斷那些標記那些樣本可以最大程度地提高模型的效能是非常必要的。

細胞成像為生物學,醫學和藥理學領域做出了巨大貢獻。以前分析細胞影象需要有價值的專業人力資本,但是像主動學習這種技術的出現為醫學領域這種需要大量人力標註資料集的領域提供了一個非常好的解決方案。s

本文引用:

  • GitHub — Shenggan/BCCD_Dataset: BCCD (Blood Cell Count and Detection) Dataset is a small-scale dataset for blood cells detection.
  • Blood Cell Images | Kaggle
  • Active Learning in Machine Learning | by Ana Solaguren-Beascoa, PhD | Towards Data Science
  • Carpenter, A. E., Jones, T. R., Lamprecht, M. R., Clarke, C., Kang, I. H., Friman, O., … & Sabatini, D. M. (2006).
  • CellProfiler: image analysis software for identifying and quantifying cell phenotypes. Genome biology, 7(10), 1–11.
  • Stirling, D. R., Swain-Bowden, M. J., Lucas, A. M., Carpenter, A. E., Cimini, B. A., & Goodman, A. (2021).

https://avoid.overfit.cn/post/e920ecde825b4136ae57fbcd325b9097

作者:Adi Nissim, Noam Siegel, Nimrod Berman