[論文レビュー] A Comprehensive Study on Colorectal Polyp Segmentation with ResUNet++, Conditional Random Field and Test-Time Augmentation

Debesh Jha, Pia H. Smedsrud+5 more|arXiv (Cornell University)|Jul 26, 2021

Colorectal Cancer Screening and Detection参考文献 60被引用数 9

ひとこと要約

本稿では、結腸ポリープ分類のための強化されたResUNet++アーキテクチャを提案し、条件付きランダムフィールド（CRF）とテスト時増強（TTA）を統合することで、特に小さな平坦ポリープの精度を向上させた。この手法は6つの公的データセットで最先端の性能を達成し、交差データセット一般化性能と臨床的・実用的意義のあるポリープタイプに対するロバスト性が顕著に向上した。

ABSTRACT

Colonoscopy is considered the gold standard for detection of colorectal cancer and its precursors. Existing examination methods are, however, hampered by high overall miss-rate, and many abnormalities are left undetected. Computer-Aided Diagnosis systems based on advanced machine learning algorithms are touted as a game-changer that can identify regions in the colon overlooked by the physicians during endoscopic examinations, and help detect and characterize lesions. In previous work, we have proposed the ResUNet++ architecture and demonstrated that it produces more efficient results compared with its counterparts U-Net and ResUNet. In this paper, we demonstrate that further improvements to the overall prediction performance of the ResUNet++ architecture can be achieved by using conditional random field and test-time augmentation. We have performed extensive evaluations and validated the improvements using six publicly available datasets: Kvasir-SEG, CVC-ClinicDB, CVC-ColonDB, ETIS-Larib Polyp DB, ASU-Mayo Clinic Colonoscopy Video Database, and CVC-VideoClinicDB. Moreover, we compare our proposed architecture and resulting model with other State-of-the-art methods. To explore the generalization capability of ResUNet++ on different publicly available polyp datasets, so that it could be used in a real-world setting, we performed an extensive cross-dataset evaluation. The experimental results show that applying CRF and TTA improves the performance on various polyp segmentation datasets both on the same dataset and cross-dataset.

研究の動機と目的

• 臨床現場における大腸ポリープ分類のためのディープラーニングモデルのロバスト性と一般化性能を向上させること。
• 内視鏡検査において診断の見落としを引き起こす主な要因である、小さな平坦および茎状ポリープの高発見漏れ率を是正すること。
• CRFおよびTTAを後処理および推論時技術として用いることで、ポリープ分類性能に与える効果を評価すること。
• 多様で公開済みのポリープデータセットを用いて、モデルの交差データセット一般化能力を検証すること。
• 臨床的意義のある、データ効率的でリアルタイム支援を可能にするソリューションを提供すること。

提案手法

• 残差ブロック、アトラススパイラルプール（ASPP）、およびアテンション機構を備えた、新たなエンコーダデコーダアーキテクチャとしてResUNet++を提案し、特徴量の学習を向上させた。
• 空間的一致性を強制しノイズを低減するために、分類マスクの微調整を目的とした後処理として条件付きランダムフィールド（CRF）を適用した。
• 入力画像の複数の増幅バージョンからの予測を集約することで、推論時のロバスト性を向上させるために、テスト時増強（TTA）を用いた。
• Kvasir-SEG、CVC-ClinicDB、CVC-ColonDB、ETIS-Larib、ASU-Mayo、CVC-VideoClinicDBの6つの公的データセットでモデルを訓練および評価した。
• 交差データセット評価を徹底的に行い、一般化性能を検証した。具体的には、Kvasir-SEGおよびCVC-ClinicDBで学習し、5つの独立したデータセットでテストした。
• 検出が困難とされる196例の平坦または茎状ポリープ（10 mm未塔）をKvasir-SEGから選別したサブセットを導入し、特定の評価を実施した。

実験結果

リサーチクエスチョン

• RQ1 CRFとTTAの統合が、大腸ポリープデータセットにおけるResUNet++の分類性能を顕著に向上させることができるか？
• RQ2 本手法は、多様な臨床的環境から収集された異なるデータセット間で、どのように一般化するか？
• RQ3 本モデルは、臨床実践で頻繁に見落とされる、小さな平坦および茎状ポリープにおいて優れた性能を示すか？
• RQ4 CRFおよびTTAが個別および併用された場合に、分類精度およびロバスト性に与える影響は何か？
• RQ5 本モデルは、困難な低コントラストまたはアーチファクトを含む内視鏡画像に対しても高い性能を維持できるか？

主な発見

• ResUNet++にCRFとTTAを統合した手法は、全6つの評価データセットで最先端の性能を達成し、DiceスコアおよびIoUの両面で顕著な向上を示した。
• ResUNet++ + TTAのバージョンが最も優れた交差データセット一般化性能を示し、ETIS-Larib や CVC-VideoClinicDB などの未学習データセットでも他の構成を上回った。
• 平坦および小さなポリープ（≤10 mm）の検出性能が顕著に向上し、196例の難易度の高い症例を対象としたサブセットにおいて、再現率およびF1スコアの向上が顕著に観察された。
• TTA単体でも、すべてのデータセットで一貫した性能向上を示し、推論時の分布シフトへの有効性を裏付けた。
• CRFは境界の局所化を改善し、不規則またはぼやけた縁を有するポリープにおいて特にノイズの多い予測を低減した。
• 交差データセット評価から、Kvasir-SEG や CVC-ClinicDB で学習したモデルが他のデータセットにも良好に一般化することが確認され、強力なロバスト性と臨床的応用可能性を示した。