[論文レビュー] Computer-Aided Colorectal Tumor Classification in NBI Endoscopy Using CNN Features

Toru Tamaki, Shoji Sonoyama+7 more|arXiv (Cornell University)|Aug 24, 2016

Image Retrieval and Classification Techniques参考文献 18被引用数 9

ひとこと要約

本研究では、NBI内視鏡画像における大腸ポリープの分類を目的として、複数の層およびモデルからの畳み込みニューラルネットワーク（CNN）特徴量を評価する。微調整を行わずに事前学習済みのCNN（AlexNet、CaffeNet、GoogLeNet）を用い、初期の畳み込み層からの特徴量を線形SVMと組み合わせることで、95％の認識率を達成した。これは、BoVW やフィッシャー特徴量といった従来の手作業特徴量と同等またはそれ以上の性能を示した。

ABSTRACT

In this paper we report results for recognizing colorectal NBI endoscopic images by using features extracted from convolutional neural network (CNN). In this comparative study, we extract features from different layers from different CNN models, and then train linear SVM classifiers. Experimental results with 10-fold cross validations show that features from first few convolution layers are enough to achieve similar performance (i.e., recognition rate of 95%) with non-CNN local features such as Bag-of-Visual words, Fisher vector, and VLAD.

研究の動機と目的

• NBI内視鏡画像分類における、異なる層およびモデルからのCNN由来特徴量と、既存の手作業特徴量（例：BoVW、フィッシャー特徴量）の性能を比較すること。
• 微調整なしに、事前学習済みCNNが大腸腫瘍分類のための効果的特徴抽出器として機能できるかどうかを調査すること。
• NBI画像認識において、特徴抽出に最適なCNN層（特に初期畳み込み層）を特定すること。
• NBIのテクスチャパターンの文脈において、プーリング層および全結合層が分類性能に与える影響を評価すること。
• 実証的発見に基づき、NBI大腸ポリープ分類に特化した軽量で効率的なCNNモデルの設計を支援すること。

提案手法

• AlexNet、CaffeNet、GoogLeNetの3つの事前学習済みCNNモデルの、複数の層（畳み込み層、プーリング層、全結合層）から特徴量を抽出した。
• Caffeディープラーニングフレームワークを用い、微調整なしに、NBI画像パッチ上で訓練済みモデルから特徴量を抽出した。
• 3つのNBIカテゴリ（A、B、C3）の多クラス分類のために、抽出した特徴量に線形SVM分類器を適用した。
• すべてのデータ分割に対して堅牢な性能評価を確保するため、10-fold交差検証を実施した。
• 特徴抽出の前に、すべてのNBI画像パッチを固定サイズ（224×224）にリサイズして、入力次元を標準化した。
• Bag-of-Visual-Words（BoVW）、フィッシャー特徴量、VLADといった既存の手作業特徴量と性能を比較した。

実験結果

リサーチクエスチョン

• RQ1 事前学習済みCNNの初期畳み込み層からの特徴量は、BoVW やフィッシャー特徴量といった手作業特徴量と同等またはそれ以上の性能を達成できるか？
• RQ2 ネットワークアーキテクチャ上で、初期層から深層層へ移行するに従い、CNN特徴量の性能が低下するか？
• RQ3 初期段階のプーリング層が、後続のプーリング層と比較して分類性能にどの程度寄与しているか？
• RQ4 この特定の分類タスクにおいて、最終の全結合層は効果的な特徴表現に必要か？
• RQ5 入力標準化のための画像リサイズが、特徴量の性能に悪影響を及えるか、それともCNN特徴量はスケールおよびアスペクト比の変化に対して頑健か？

主な発見

• 事前学習済みCNNの最初の数層の畳み込み層からの特徴量は、95％の認識率を達成し、BoVW やフィッシャー特徴量といった手作業特徴量と同等の性能を示した。
• 最高の分類精度は、常に初期畳み込み層で達成された——例：AlexNetのpool2、CaffeNetのconv3——これは、深層層に移行するほど性能が低下する可能性があることを示唆している。
• 後続の畳み込み層および全結合層では性能が低下し、深層表現がNBI画像解析に不可欠な小スケールテクスチャパターンをぼやけさせている可能性がある。
• 初期段階のプーリング層（例：pool2、pool3/3x3_s2）は性能向上に寄与したが、後続のプーリング層（例：pool5）は顕著な利益を示さなかった。
• 元の分類目的とは意図されていないが、事前学習モデルの確率出力層（prob layer）からも有用な特徴量が得られた。これは、その層が元の目的を超えて有用である可能性を示唆している。
• 画像リサイズは分類性能に悪影響を及げず、各カテゴリのパッチのサイズ分布も類似していた。これは、性能向上がサイズに依存するヒントによるものではなく、特徴量そのものの質によるものであることを示唆している。