[論文レビュー] A Survey on Deep Learning for Polyp Segmentation: Techniques, Challenges and Future Trends

Jiaxin Mei, Tao Zhou+5 more|arXiv (Cornell University)|Nov 30, 2023

Colorectal Cancer Screening and Detection被引用数 7

ひとこと要約

本サーベイは、深層学習に基づくポリープセグメンテーション手法について包括的なレビューを提供し、さまざまなポリープサイズとネットワークアーキテクチャを対象に、24の最先端モデルを評価している。限られたアノテート済みデータ、境界の曖昧さ、ドメインシフトといった主な課題を特定し、クロスドメイン一般化、リアルタイム推論、プライバシー保護型モデル学習のためのフェデレーテッドラーニングといった今後の方向性を強調している。

ABSTRACT

Early detection and assessment of polyps play a crucial role in the prevention and treatment of colorectal cancer (CRC). Polyp segmentation provides an effective solution to assist clinicians in accurately locating and segmenting polyp regions. In the past, people often relied on manually extracted lower-level features such as color, texture, and shape, which often had issues capturing global context and lacked robustness to complex scenarios. With the advent of deep learning, more and more outstanding medical image segmentation algorithms based on deep learning networks have emerged, making significant progress in this field. This paper provides a comprehensive review of polyp segmentation algorithms. We first review some traditional algorithms based on manually extracted features and deep segmentation algorithms, then detail benchmark datasets related to the topic. Specifically, we carry out a comprehensive evaluation of recent deep learning models and results based on polyp sizes, considering the pain points of research topics and differences in network structures. Finally, we discuss the challenges of polyp segmentation and future trends in this field. The models, benchmark datasets, and source code links we collected are all published at https://github.com/taozh2017/Awesome-Polyp-Segmentation.

研究の動機と目的

• 従来手法および深層学習ベースのポリープセグメンテーション技術について体系的なレビューを行う。
• さまざまなポリープサイズにおける24の代表的深層学習モデルの性能を評価する。
• ベンチマークデータセットを分析し、データの多様性とアノテーション品質のギャップを特定する。
• ドメインシフト、リアルタイム推論、小規模・大規模ポリープのセグメンテーションといった継続的な課題を特定する。
• クロスドメイン適応、軽量モデル、フェデレーテッドラーニングといった今後の研究方向性を提案する。

提案手法

• ポリープセグメンテーション手法を従来の（手作業で特徴を抽出する）手法と深層学習ベースのアプローチに分類する。
• サイズ別性能分析のため、新たに構築したデータセットを用いて24の深層学習モデルを包括的に評価する。
• モデル間でネットワークアーキテクチャ、損失関数、データ拡張戦略を分析する。
• ポリープのサイズ（小、中、大）に基づいてモデルの性能を評価し、サイズに依存する制限要因を同定する。
• 公開済みのベンチマークデータセットを調査・要約し、そのアノテーション、解像度、臨床的意義を評価する。
• 注目メカニズム、マルチスケール特徴抽出、トランスフォーマーに基づくアーキテクチャといった新興技術を検討する。

実験結果

リサーチクエスチョン

• RQ1 異なる深層学習アーキテクチャは、さまざまなポリープサイズにおいてどのように性能を発揮するか？
• RQ2 現実の臨床現場における現在のポリープセグメンテーションモデルの主な制限要因は何か？
• RQ3 異なる画像診断施設間でのドメインシフトをポリープセグメンテーションでどのように軽減できるか？
• RQ4 リアルタイム臨床適用を想定した場合、モデルの精度と推論速度のトレードオフはどのようなものか？
• RQ5 フェデレーテッドラーニングのようなプライバシー保護型学習手法は、施設間でのモデル一般化をどのように向上させられるか？

主な発見

• 小規模ポリープでは、空間的解像度が限られており境界が曖昧なため、モデルの性能が著しく低下する。
• トランスフォーマーに基づくモデル（例：Polyp-PVT や HSNet）は、複雑なポリープ形状や境界の局所化において、性能が向上している。
• クロスドメイン一般化は依然として大きな課題であり、ある施設のデータで学習したモデルは、他の施設のデータでは性能を発揮しない。
• CFA-Net や Shallow Attention Network といった軽量で効率的なアーキテクチャは、妥当な精度を維持しながらリアルタイム推論を達成している。
• カラー交換を用いたデータ拡張は、モデルの色の統計に依存する傾きを軽減し、耐性を高めている。
• フェデレーテッドラーニングや相互プロトタイプ適応手法は、生データを共有せずにドメインシフトを低減する可能性を示している。