1.
Satoshi Kume
画像解析関連の
Rパッケージについて
〜ANTsRNetを使った画像解析の話も〜
201209 @ BioPackathon 12

2.
今回の内容
画像処理・画像解析に関するRパッケージを調査した
ので、見つかったパッケージを（広く浅く）紹介する。
調査対象:
CRAN、Bioconductor、Neuroconductor (= GitHub/CRAN)
とか
検索キーワード:
imag(e), microscop(y) ctc
ANTsRNetを使って、2D U-NET/CPU版をやってみた

3.
ANTsX: A dynamic ecosystem for quantitative biological and
medical imaging
https://www.medrxiv.org/content/10.1101/2020.10.19.20215392v2
(https://www.medrxiv.org/content/10.1101/2020.10.19.20215392v2.full.pdf)
https://github.com/ANTsX
Advanced Normalization Tools Ecosystem
ANTsRNet
ANTsRNetに関連する情報
https://github.com/ANTsX/ANTsRNet
Nick Tustison, Associate Professor, Department of Radiology and Medical
Imaging, University of Virginia
http://ntustison.github.io/CV/

4.
Bioconducto
r
https://www.bioconductor.org

5.
Bioconductorにおける関連パッケージ
あまりない。。。。

6.
EBImage
（特長）
・R上で汎用的な画像処理ができる。
（OpenCVに近い感じの印象）
・蛍光顕微鏡画像の細胞セグメンテーションがCUIで出来る。

7.
imageHTS
（特長）
・顕微鏡画像のハイスループット・スクリーン解析に特化している
・細胞像のセグメント解析、定量的な細胞特徴の抽出、細胞タイプ
の予測、Webインターフェースを介したデータ閲覧を提供

8.
Neuroconductor
https://neuroconductor.org
(だいたいCRANに同じパッケージがある)

9.
Neuroconductorにおける関連パッケージ
- ANTs: 医用画像の定量ツール群
- ichseg: X線 Computed Tomography (CT) 画像における脳内出血領域抽出
- RNiftyReg: NiftyRegライブラリを使った画像位置合わせ
- dcm2niir: DICOMからNIfTI画像への変換
画像処理・解析系
- ggBrain: ggplot を用いた脳画像表示
- Papaya: JavaScript を用いた画像ビューア
- brainR: 脳イメージング用パッケージ 'misc3d' および 'rgl' のヘルパー機能
画像ビューア関連
- nitrcbot: NeuroImaging Tools and Resources Collaboratory(NITRC)から画像を取得する
パッケージ
- Rxnat: 神経画像アーカイブツールキットからの検索と画像抽出（公開/非公開データセット）
- malf.templates: MICCAI 2012 Grand Challengeのデータセット
画像データセット関連
結構ある！

10.
ANTs

11.
https://github.com/ANTsX/ANTsRNet

12.
https://www.nitrc.org/
nitrcbot

13.
（画像処理・解析関連）
magick: Advanced Graphics and Image-Processing in R
nat: NeuroAnatomy Toolbox for Analysis of 3D Image Data
Bioi: Biological Image Analysis
bioimagetools: Tools for Microscopy Imaging
OpenImageR: An Image Processing Toolkit
image.LineSegmentDetector: Detect Line Segments in Images
SuperpixelImageSegmentation: Superpixel Image Segmentation
adimpro: Adaptive Smoothing of Digital Images
autothresholdr: An R Port of the 'ImageJ' Plugin 'Auto Threshold'
bayesImageS: Bayesian Methods for Image Segmentation using a Potts Model
downscaledl: Downscale of RS Images using Deep Learning
edci: Edge Detection and Clustering in Images
imagine: IMAGing engINEs, Tools for Application of Image Filters to Data Matrices
CRANにおける関連パッケージ(1)
たくさんある！

14.
nat: NeuroAnatomy Toolbox for Analysis of 3D Image Data

15.
CRANにおける関連パッケージ(2)
（顕微鏡・バイオ関連）
- AFM: Atomic Force Microscope Image Analysis
- colocr: Conduct Co-Localization Analysis of Fluorescence Microscopy Images
- interfr: Interference Color Charts for Polarized Light Microscopy
- TIMP: Fitting Separable Nonlinear Models in Spectroscopy and Microscopy
- cytominer: Methods for Image-Based Cell Profiling
（可視化・アノテーション）
- taipan: Tool for Annotating Images in Preparation for Analysis
- ggimage: Use Image in 'ggplot2'
- ggimg: Graphics Layers for Plotting Image Data with 'ggplot2’
- imageviewer: Simple 'htmlwidgets' Image Viewer with WebGL Brightness/Contrast

16.
taipan: Tool for Annotating Images in Preparation for Analysis

17.
Summary (1)
- 探してみると、Rでも画像関連のパッ
ケージ(特に、CRAN)が結構あった。

18.
https://github.com/ANTsX/ANTsRNet

19.
arXiv:1505.04597
https://arxiv.org/pdf/1505.04597.pdf

20.
DLの流れ
Dataset
用意
Model
構築
Compile
損失関数
設定
Fit
Training
Evaluate
モデル評価
keras / tensorflow
ANTsRNetでは
このあたりをサポート
チュートリアル
データのみ

21.
実行環境
## 実行環境 ##
macOS Catalina 10.15.4
R version 4.0.2 (2020-06-22)
RStudio Version 1.2.5033
$ brew config
HOMEBREW_VERSION: 2.4.16
ORIGIN: https://github.com/Homebrew/brew
HEAD: 2a4c9f610e69b9fed1eec61ac2c53e4b11a32e4c
Last commit: 3 months ago
Core tap ORIGIN: https://github.com/Homebrew/homebrew-core
Core tap HEAD: 57a5081f9893f0a803a9e2bd1e01da0a48c39d45
Core tap last commit: 3 months ago
Core tap branch: master
HOMEBREW_PREFIX: /usr/local
HOMEBREW_CASK_OPTS: []
HOMEBREW_MAKE_JOBS: 8
CPU: octa-core 64-bit kabylake
Homebrew Ruby: 2.6.3 =>
/System/Library/Frameworks/Ruby.framework/Versions/2.6/usr/bin/
ruby
Clang: 11.0 build 1103
Git: 2.24.1 => /Library/Developer/CommandLineTools/usr/bin/git
Curl: 7.64.1 => /usr/bin/curl
macOS: 10.15.4-x86_64
CLT: 11.4.0.0.1.1583798712
Xcode: N/A

22.
インストール
## Macで実行
mydeps <- c( "Rcpp", "RcppEigen", "magrittr", "rsvd", "magic", "psych" )
install.packages( pkgs = mydeps, dependencies = TRUE )
install.packages("devtools")
library( devtools )
devtools::install_github("stnava/cmaker")
devtools::install_github("stnava/ANTsR")
devtools::install_github("ANTsX/ANTsRNet")
Option
$ git clone https://github.com/stnava/ITKR.git
$ git clone https://github.com/ANTsX/ANTsRCore.git
$ git clone https://github.com/ANTsX/ANTsR.git
$ R CMD INSTALL ITKR
$ R CMD INSTALL ANTsRCore
$ R CMD INSTALL ANTsR
$ git clone https://github.com/ANTsX/ANTsRNet.git
$ R CMD INSTALL ANTsRNet

23.
データ準備／前処理
library( ANTsR )
library( ANTsRNet )
library( keras )
#チュートリアルデータセットの読み込み
imageIDs <- c( "r16", "r27", "r30", "r62", "r64", "r85" )
trainingBatchSize <- length( imageIDs )
# ３組織ラベルのセグメンテーション
segmentationLabels <- c( 1, 2, 3 )
numberOfLabels <- length( segmentationLabels )
initialization <- paste0( 'KMeans[', numberOfLabels, ']' )
#画像データの読み込み
domainImage <- antsImageRead( getANTsRData( imageIDs[1] ) )
# (NA)空のアレイデータの準備
X_train <- array( data = NA, dim = c( trainingBatchSize, dim( domainImage ), 1 ) )
Y_train <- array( data = NA, dim = c( trainingBatchSize, dim( domainImage ) ) )

24.
#画像データの読み込み
images <- list()
segmentations <- list()
for( i in seq_len( trainingBatchSize ) ){
cat( "Processing image", imageIDs[i], "n" )
image <- antsImageRead( getANTsRData( imageIDs[i] ) )
mask <- getMask( image )
segmentation <- atropos( image, mask, initialization )$segmentation
X_train[i,,,1] <- as.array( image )
Y_train[i,,] <- as.array( segmentation )
}
# Yデータセットのラベルデータに変換
Y_train <- encodeUnet( Y_train, segmentationLabels )
# ノーマライゼーション
X_train <- ( X_train - mean( X_train ) ) / sd( X_train )
画像読み込み／ノーマライズ

25.
#画像確認
str(X_train)
str(Y_train)
image(X_train[1,,,])
image(Y_train[1,,,1,1])
image(Y_train[1,,,2,1])
image(Y_train[1,,,3,1])
> str(X_train)
num [1:6, 1:256, 1:256, 1] -0.596 -0.596 -0.596 -0.596 -0.596 ...
> str(Y_train)
num [1:6, 1:256, 1:256, 1:3, 1:3] 0 0 0 0 0 0 0 0 0 0 ...
https://akira3132.info/cerebral_cortex.html

26.
2D U-NETモデル構築
# モデル作成
model <- createUnetModel2D( c( dim( domainImage ), 1 ),
numberOfOutputs = numberOfLabels )
source("https://gist.githubusercontent.com/kumeS/41fed5
11efb45bd55d468d4968b0f157/raw/0f64b83700ac578d0
c39abd420da5373d4317083/DL_plot_modi_v1.1.R")
install.packages("DiagrammeR"); library( DiagrammeR )
plot_model_modi(model)

27.
# ダイス係数
metric_multilabel_dice_coefficient <-
custom_metric( "multilabel_dice_coefficient",
multilabel_dice_coefficient )
#ダイスロス関数
loss_dice <- function( y_true, y_pred ) {
-multilabel_dice_coefficient(y_true, y_pred)
}
attr(loss_dice, "py_function_name") <- "multilabel_dice_coefficient"
#コンパイル(最適化アルゴリズムの定義)
model %>% compile( loss = loss_dice,
optimizer = optimizer_adam( lr = 0.0001 ),
metrics = metric_multilabel_dice_coefficient )
損失関数 / 評価関数の定義、コンパイル

28.
track <- model %>% fit( X_train, Y_train,
epochs = 20, batch_size = 5, verbose = 1, shuffle = TRUE,
callbacks = list(
callback_model_checkpoint( "unetModelInterimWeights.h5",
monitor = 'val_loss', save_best_only = TRUE ),
callback_reduce_lr_on_plateau( monitor = "val_loss", factor = 0.1 )
), validation_split = 0.2 )
モデルのフィット
Train on 4 samples, validate on 2 samples
Epoch 1/20
4/4 [==============================] - 4s
884ms/sample - loss: -0.5779 - multilabel_dice_coefficient: 0.5779
- val_loss: -0.5809 - val_multilabel_dice_coefficient: 0.5809
Epoch 2/20
4/4 [==============================] - 2s
568ms/sample - loss: -0.5801 - multilabel_dice_coefficient: 0.5801
- val_loss: -0.5835 - val_multilabel_dice_coefficient: 0.5835
Epoch 3/20
4/4 [==============================] - 2s
553ms/sample - loss: -0.5827 - multilabel_dice_coefficient: 0.5827
- val_loss: -0.5864 - val_multilabel_dice_coefficient: 0.5864
Epoch 4/20
4/4 [==============================] - 2s
573ms/sample - loss: -0.5856 - multilabel_dice_coefficient: 0.5856
- val_loss: -0.5895 - val_multilabel_dice_coefficient: 0.5895
Epoch 5/20
4/4 [==============================] - 2s
622ms/sample - loss: -0.5888 - multilabel_dice_coefficient: 0.5888
- val_loss: -0.5925 - val_multilabel_dice_coefficient: 0.5925
Epoch 6/20
4/4 [==============================] - 2s

29.
Summary (2)
- ANTsRNetのセットアップはやや面倒
- MRI解析とかに特化している
- DLモデルは活用できる。