[論文レビュー] RCS-YOLO: A Fast and High-Accuracy Object Detector for Brain Tumor Detection

Ming Kang, Chee‐Ming Ting+2 more|arXiv (Cornell University)|Jul 31, 2023

Brain Tumor Detection and ClassificationNeuroscience参考文献 29被引用数 3

ひとこと要約

本稿では、再パラメータ化された畳み込みとチャネルシャッフル（RCS）を統合し、ワンショットアグリゲーション（RCS-OSA）を用いた、脳腫瘍検出を目的とした新しいYOLOベースのオブジェクト検出器RCS-YOLOを提案する。Br35Hデータセットにおいて、RCS-YOLOは114.8 FPSの推論速度を達成し、YOLOv7よりも1%高い精度を示し、速度と精度の両面で新たな最先端の性能を記録した。

ABSTRACT

With an excellent balance between speed and accuracy, cutting-edge YOLO frameworks have become one of the most efficient algorithms for object detection. However, the performance of using YOLO networks is scarcely investigated in brain tumor detection. We propose a novel YOLO architecture with Reparameterized Convolution based on channel Shuffle (RCS-YOLO). We present RCS and a One-Shot Aggregation of RCS (RCS-OSA), which link feature cascade and computation efficiency to extract richer information and reduce time consumption. Experimental results on the brain tumor dataset Br35H show that the proposed model surpasses YOLOv6, YOLOv7, and YOLOv8 in speed and accuracy. Notably, compared with YOLOv7, the precision of RCS-YOLO improves by 1%, and the inference speed by 60% at 114.8 images detected per second (FPS). Our proposed RCS-YOLO achieves state-of-the-art performance on the brain tumor detection task. The code is available at https://github.com/mkang315/RCS-YOLO.

研究の動機と目的

• 脳腫瘍検出における高性能なYOLOベースのモデルの不足に対処すること。
• 医用画像のオブジェクト検出における特徴表現と計算効率の向上を図ること。
• リアルタイム臨床応用に適した軽量でありながら高精度な検出器の開発を目的とすること。
• Br35H脳腫瘍検出ベンチマークで最先端の性能を達成すること。

提案手法

• 提案されたRCS-YOLOは、特徴学習の向上と冗長性の低減を目的とした再パラメータ化された畳み込みとチャネルシャッフル（RCS）モジュールを統合している。
• マルチスケール特徴の効率的統合を実現するため、ワンショットアグリゲーション（RCS-OSA）モジュールを導入し、1回の順伝播で特徴を統合している。
• YOLOのリアルタイム推論の長所に加え、チャネル単位のシャッフルと再パラメータ化による特徴キャスケードの改善を実現している。
• mAPとFPSを含む標準的なオブジェクト検出指標を用いて、Br35Hデータセット上でモデルを訓練および評価している。
• 推論時にバッチ正規化と畳み込み層を統合する再パラメータ化を適用することで、精度を損なわずに速度を向上させている。

実験結果

リサーチクエスチョン

• RQ1 再パラメータ化された畳み込みに基づくYOLOアーキテクチャは、脳腫瘍検出において速度と精度の両方を向上させることができるか？
• RQ2 チャネルシャッフルとワンショット特徴統合の統合は、医用画像検出における特徴表現にどのように影響を与えるか？
• RQ3 RCS-YOLOは、Br35HデータセットにおいてYOLOv6、YOLOv7、YOLOv8といった既存のYOLOバージョンを上回る性能を示すか？
• RQ4 提案手法は、検出精度を維持または向上させつつ、どれほど推論時間を短縮できるか？

主な発見

• RCS-YOLOはBr35Hデータセットで114.8 FPSの推論速度を達成しており、YOLOv7比で60%の向上を示している。
• mAPを高い水準で維持しつつ、YOLOv7と比較して精度を1%向上させ、優れた正確性を示している。
• RCS-YOLOはYOLOv6、YOLOv7、YOLOv8の両方の性能を速度と精度の両面で上回り、最先端の性能を達成している。
• RCSおよびRCS-OSAモジュールの統合により、特徴抽出が向上し、計算オーバーヘッドが低減され、結果として高速な推論が実現している。