[論文レビュー] Enhanced U-Net: A Feature Enhancement Network for Polyp Segmentation

Krushi Patel, Andrés M. Bur+1 more|arXiv (Cornell University)|May 3, 2021

Colorectal Cancer Screening and Detection参考文献 34被引用数 7

ひとこと要約

本稿では、大腸内視鏡画像におけるポリープセグメンテーションを向上させるために、2つの新規モジュール—意味的特徴強化モジュール（SFEM）と自己適応グローバルコンテキストモジュール（AGCM）—を備えた拡張U-Netを提案する。SFEMは、マルチスケールの非局所アテンションを用いて深層の意味的特徴を豊かにする。一方、AGCMは、デコーダー誘導型空間クロスアテンションを用いて、顕著で微細なエンコーダー特徴を自己適応的に統合し、5つのベンチマークデータセットで最先端の性能を達成した。DiceスコアはU-Netに比べ最大で12.09%向上した。

ABSTRACT

Colonoscopy is a procedure to detect colorectal polyps which are the primary cause for developing colorectal cancer. However, polyp segmentation is a challenging task due to the diverse shape, size, color, and texture of polyps, shuttle difference between polyp and its background, as well as low contrast of the colonoscopic images. To address these challenges, we propose a feature enhancement network for accurate polyp segmentation in colonoscopy images. Specifically, the proposed network enhances the semantic information using the novel Semantic Feature Enhance Module (SFEM). Furthermore, instead of directly adding encoder features to the respective decoder layer, we introduce an Adaptive Global Context Module (AGCM), which focuses only on the encoder's significant and hard fine-grained features. The integration of these two modules improves the quality of features layer by layer, which in turn enhances the final feature representation. The proposed approach is evaluated on five colonoscopy datasets and demonstrates superior performance compared to other state-of-the-art models.

研究の動機と目的

• 形状・サイズ・色・テクスチャのばらつき、低コントラスト、背景の混同といった要因による大腸内視鏡画像におけるポリープセグメンテーションの課題に対処すること。
• 空間情報を損なわずに意味的コンテキストを強化することで、U-Netベースのモデルにおける特徴表現を向上させること。
• アテンション機構を用いて、エンコーダーからデコーダーへと、最も顕著で微細な特徴のみを効果的に統合すること。
• 自己適応的特徴精錬とマルチスケールコンテキストモデリングを通じて、未知のデータセットにおけるモデルの汎化性とロバスト性を向上させること。
• 新規のアテンション駆動型特徴強化戦略を用いて、複数の公開大腸内視鏡データセットで既存の最先端手法を上回ること。

提案手法

• 意味的特徴強化モジュール（SFEM）は、異なる受容野を持つ複数のパッチ単位の非局所アテンションブロックを適用し、マルチスケールのポリープ特徴を捉え、出力を統合することで、深層の意味的表現を豊かにする。
• 自己適応グローバルコンテキストモジュール（AGCM）は、デコーダー特徴とエンコーダー特徴間の空間クロスアテンションを用いて、エンコーダーからの顕著で困難なセグメンテーション領域を的確に注目し、特徴を統合する。
• AGCMはデコーダー特徴に基づいて動的にアテンション重みを計算し、ノイズや関連の薄い特徴を抑制しながら、微細で識別性の高い領域に注目する。
• 各デコーダーレイヤーに、Dice損失、フォーカル損失、重み付きIoU損失を組み合わせた複合損失関数を適用し、難易度の高い正例および負例に重点を置く。
• SFEMで得られた強化特徴と、AGCM処理後の特徴を各デコーダーレイヤーで連結することで、特徴表現の反復的精錬を可能にする。
• 深層監督を用いてエンドツーエンドで学習し、各デコーダーレイヤーに補助損失を適用することで、学習の安定性と勾配の流れを向上させる。

実験結果

リサーチクエスチョン

• RQ1 マルチスケールの非局所アテンション機構は、空間分解能を損なわずに意味的特徴表現を向上させることができるか？
• RQ2 デコーダー誘導型アテンションは、特に困難なセグメンテーション領域において関連するエンコーダー特徴の選択を改善できるか？
• RQ3 自己適応的グローバルコンテキストモデリングの統合は、未知の大腸内視鏡データセットにおける汎化性能の向上に寄与するか？
• RQ4 提案された複合損失関数は、難易度の高い正例および負例の学習をどの程度向上させるか？
• RQ5 提案された拡張U-Netは、多様なデータセットにおいて、最先端モデルと比較してセグメンテーション精度とロバスト性に優れているか？

主な発見

• EndoSceneデータセットでは、ベースラインのU-Netに比べ、Diceスコアが12.09%向上し、IoUが16.06%向上した。
• Kvasir-SEGデータセットでは、U-Netに比べDiceスコアが9.73%向上し、IoUが13.61%向上した。ACSNetやPraNetを上回った。
• ColonDBデータセットでは、平均DiceがU-Netに比べ22.79%向上し、平均IoUが21.48%向上した。これは優れた汎化性能を示している。
• ETISデータセットでは、平均DiceがU-Netに比べ25.25%向上し、平均IoUが24.7%向上した。これは多様なポリープの外観に耐性があることを示している。
• CVC-300データセットでは、平均DiceがU-Netに比べ17.62%向上し、平均IoUが18.6%向上した。これは、ベンチマーク全体で一貫した性能を発揮していることを確認した。
• アブレーションスタディの結果、SFEMおよびAGCMは個別に性能向上をもたらし、特にset-2ではAGCMが最大でDiceスコアを6.06%向上させた。複合損失関数はset-1でDiceスコアを8.46%向上させた。