[論文レビュー] Colorectal Polyp Segmentation in the Deep Learning Era: A Comprehensive Survey

Zhenyu Wu, Fengmao Lv+3 more|arXiv (Cornell University)|Jan 22, 2024

Colorectal Cancer Screening and Detection被引用数 8

ひとこと要約

この論文は2014年から2023年までの深層学習ベースの大腸ポリープセグメンテーション（CPS）手法の系統的調査を行い、分類法、データセット、指標、および40の最先端モデルのベンチマーク分析を紹介します。

ABSTRACT

Colorectal polyp segmentation (CPS), an essential problem in medical image analysis, has garnered growing research attention. Recently, the deep learning-based model completely overwhelmed traditional methods in the field of CPS, and more and more deep CPS methods have emerged, bringing the CPS into the deep learning era. To help the researchers quickly grasp the main techniques, datasets, evaluation metrics, challenges, and trending of deep CPS, this paper presents a systematic and comprehensive review of deep-learning-based CPS methods from 2014 to 2023, a total of 115 technical papers. In particular, we first provide a comprehensive review of the current deep CPS with a novel taxonomy, including network architectures, level of supervision, and learning paradigm. More specifically, network architectures include eight subcategories, the level of supervision comprises six subcategories, and the learning paradigm encompasses 12 subcategories, totaling 26 subcategories. Then, we provided a comprehensive analysis the characteristics of each dataset, including the number of datasets, annotation types, image resolution, polyp size, contrast values, and polyp location. Following that, we summarized CPS's commonly used evaluation metrics and conducted a detailed analysis of 40 deep SOTA models, including out-of-distribution generalization and attribute-based performance analysis. Finally, we discussed deep learning-based CPS methods' main challenges and opportunities.

研究の動機と目的

• 2014年から2023年にかけての深層CPS手法とその進化の構造的概要を提供する。
• CPSにおけるネットワークアーキテクチャ、監督レベル、および学習パラダイムを列挙する。
• CPSデータセットと評価指標を分析して性能をベンチマークする。
• 現在の課題を要約し、CPS研究の有望な方向性を特定する。
• CPSに参入する研究者の迅速な理解と今後の研究の促進を支援する。

提案手法

• 深層CPSアプローチをネットワークアーキテクチャ、監督レベル、および学習パラダイムに分割する新規分類法を提案する（26のサブカテゴリ）。
• 2014年から2023年までの115件のCPS論文を体系的にレビューする。
• 注釈、解像度、ポリープサイズ、コントラスト、位置によって14のCPSデータセットを特徴付ける。
• 分布外一般化と属性ベース分析を含む40の深層CPSモデルをベンチマークする。
• PolypGen と SUN-SEG データセットを用いて一般化と属性性能を評価する。
• 解釈性、一般化、プライバシー、そして大規模モデルとの統合の潜在的可能性を含むCPSの課題と機会について論じる。

実験結果

リサーチクエスチョン

• RQ1 現代のCPS手法を定義する中核的なアーキテクチャ、監督、および学習パラダイムのパターンは何か？
• RQ2 CPSデータセットは注釈、解像度、ポリープサイズ、コントラスト、位置の点でどのように異なり、これらの差はモデル性能にどう影響するか？
• RQ3 2014年から2023年における深層CPSモデルの全体像は何か、40のSOTAモデルは一般化と属性ベースの性能でどう比較されるか？
• RQ4 CPSが直面する主要な課題は何であり、どの将来の方向性が最も有望か？
• RQ5 複数のデータセットにまたがる標準化されたオープンなフレームワークでCPS手法をどのようにベンチマークできるか？

主な発見

• 包括的な分類法はCPS手法をアーキテクチャ、監督、および学習パラダイムの26のサブカテゴリに整理する。
• 本調査は2014年から2023年までの115件の深層CPS論文を対象とし、40の深層SOTAモデルを分析する。
• 14のCPSデータセットと12の一般的な評価指標が議論される。
• 分析には分布外一般化（PolypGen）と属性ベースの性能（SUN-SEG）が含まれる。
• 本論文は解釈性、一般化、頑健性、データプライバシーなどの課題を特定し、教師なし異常局在化や大規模な視覚/言語モデルとの統合などの機会を強調する。