[論文レビュー] Deep Learning in Diabetic Foot Ulcers Detection: A Comprehensive Evaluation

Moi Hoon Yap, Ryo Hachiuma+19 more|arXiv (Cornell University)|Oct 7, 2020

Diabetic Foot Ulcer Assessment and Management参考文献 70被引用数 153

ひとこと要約

本稿は、糖尿病性足部潰瘍（DFU）検出を目的とした、2,000枚の学習画像および2,000枚のテスト画像からなるDFUC2020データセット上で、最先端のディーブラーニング物体検出モデル——Faster R-CNNの変種、YOLOv3、YOLOv5、EfficientDet、および新規のCascade Attention DetNet——を評価している。最も優れた性能を示したモデルは、可変畳み込みを用いたFaster R-CNNで、平均平均精度（mAP）が0.6940、F1スコアが0.7434を達成し、実臨床環境における自動DFU検出の強力な可能性を示している。

ABSTRACT

There has been a substantial amount of research involving computer methods and technology for the detection and recognition of diabetic foot ulcers (DFUs), but there is a lack of systematic comparisons of state-of-the-art deep learning object detection frameworks applied to this problem. DFUC2020 provided participants with a comprehensive dataset consisting of 2,000 images for training and 2,000 images for testing. This paper summarises the results of DFUC2020 by comparing the deep learning-based algorithms proposed by the winning teams: Faster R-CNN, three variants of Faster R-CNN and an ensemble method; YOLOv3; YOLOv5; EfficientDet; and a new Cascade Attention Network. For each deep learning method, we provide a detailed description of model architecture, parameter settings for training and additional stages including pre-processing, data augmentation and post-processing. We provide a comprehensive evaluation for each method. All the methods required a data augmentation stage to increase the number of images available for training and a post-processing stage to remove false positives. The best performance was obtained from Deformable Convolution, a variant of Faster R-CNN, with a mean average precision (mAP) of 0.6940 and an F1-Score of 0.7434. Finally, we demonstrate that the ensemble method based on different deep learning methods can enhanced the F1-Score but not the mAP.

研究の動機と目的

• 実験的でない画像条件下における糖尿病性足部潰瘍（DFU）検出のための最先端のディーブラーニング物体検出フレームワークを体系的に評価・比較すること。
• 爪、傷跡、過角化症などの皮膚特徴が原因で生じる高い偽陽性率という課題に対処すること。
• データ拡張、後処理、アンサンブル学習戦略を用いて検出のロバスト性を向上させること。
• 遠隔地でAI支援によるDFUモニタリングが可能かどうかを検討し、糖尿病ケアにおけるテレヘルスの支援と臨床的負担の軽減を促進すること。
• 今後の医療画像解析分野の研究のための再現可能なベンチマークを提供すること。

提案手法

• すべてのモデルに対して、データ前処理、データ拡張（例：mixup、cutout、ランダム水平反転）、および後処理（例：非最大抑制および重複ボックス除去）を含む包括的な評価パイプラインを採用した。
• 標準的および可変畳み込みを用いたFaster R-CNN、Faster R-CNNの3つの変種、YOLOv3、YOLOv5、EfficientDet、および新規のCascade Attention DetNetアーキテクチャを含む、複数の物体検出フレームワークを訓練および評価した。
• DFUC2020データセット内の専門家がラベル付けした画像からのインスタンスセグメンテーションアノテーションを用い、評価指標には平均平均精度（mAP）およびF1スコアを採用した。
• 5つの多様なモデル（可変畳み込みを用いたFaster R-CNN、EfficientDet、YOLOv5など）の予測を統合するアンサンブル手法を実装し、検出のロバスト性を向上させた。
• 局所化精度への感受性を評価するため、IoU（共通部分割合）の閾値を0.3、0.4、0.5に設定し、0.4および0.3の設定で真陽性検出が向上した。
• 不規則で湾曲した潰瘍の形状をよりよく捉えるために、可変畳み込みおよびアテンションメカニズムを組み込んだCascade Attention DetNetにおけるアーキテクチャ的革新を検討した。

実験結果

リサーチクエスチョン

• RQ1 実臨床環境下の画像条件下で、DFUC2020データセット上での糖尿病性足部潰瘍検出において、どのディーブラーニング物体検出フレームワークが最高のmAPおよびF1スコアを達成するか？
• RQ2 データ拡張および後処理技術は、DFU検出モデルの一般化性能および偽陽性率にどのように影響を与えるか？
• RQ3 アンサンブル学習は、特に偽陽性の低減および真陽性検出の増加という観点から、どの程度検出性能を向上させ得るか？
• RQ4 IoU閾値を0.3、0.4、0.5に変更した場合、DFU検出における適合率と再現率のバランスにどのような影響が生じるか？
• RQ5 Cascade Attention DetNetのような新規アーキテクチャは、小さな潰瘍、大きな潰瘍、または湾曲した潃瘍の検出において、標準的な検出器を上回る性能を示せるか？

主な発見

• 可変畳み込みを用いたFaster R-CNNが、YOLOv5、EfficientDet、および標準的Faster R-CNNを上回り、最高のmAP 0.6940およびF1スコア 0.7434を達成した。
• すべてのモデルにおいて、データ拡張が不可欠であり、特に小さな不規則な形状の潰瘍に対して、トレーニングの安定性と一般化性能を顕著に向上させた。
• 後処理、特に非最大抑制および重複ボックス除去が、偽陽性の低減と局所化精度の向上に不可欠であった。
• 5つの多様なモデル（可変畳み込みを用いたFaster R-CNN、EfficientDet、YOLOv5など）の予測を統合するアンサンブル手法により、予測ボックス数が可変畳み込みを用いたFaster R-CNNの2,240個から1,475個に減少し、適合率が向上したが、mAPは上昇しなかった。
• IoU閾値を0.5から0.3または0.4に低下させることで、真陽性数が著しく増加した——可変畳み込みを用いたFaster R-CNNでは、IoU ≥0.3の条件で1,883個に達した——これは、きつい局所化の閾値が検出感度を阻害する可能性があることを示唆している。
• Cascade Attention DetNetは、学習データセットの10％サブセットではmAP 0.9を達成したが、全テストセットでは性能が劣り、過学習の可能性が示唆された。これは、より良いデータ拡張やアンサンブル学習により是正可能であると考えられる。