[論文レビュー] Superpixels Based Segmentation and SVM Based Classification Method to Distinguish Five Diseases from Normal Regions in Wireless Capsule Endoscopy

Omid Haji Maghsoudi|arXiv (Cornell University)|Nov 17, 2017

Gastrointestinal Bleeding Diagnosis and Treatment参考文献 26被引用数 3

ひとこと要約

本稿では、無線内視鏡画像（WCE）における出血、クローン病、リンパ管拡張症、黄色腫、リンパ球増生症の5種類の消化管疾患を検出するため、スーパープixelsに基づくセグメンテーションとSVM分類手法を提案する。SLICおよびクイックシフト（QS）のスーパープixelsを用い、SVM分類のための色およびテクスチャ特徴を抽出し、92–94％の正確性、91–95％の特異性、88–93％の感度を達成した。SLICはQSよりも顕著に高速であった。

ABSTRACT

Wireless Capsule Endoscopy (WCE) is relatively a new technology to examine the entire GI trace. During an examination, it captures more than 55,000 frames. Reviewing all these images is time-consuming and prone to human error. It has been a challenge to develop intelligent methods assisting physicians to review the frames. The WCE frames are captured in 8-bit color depths which provides enough a color range to detect abnormalities. Here, superpixel based methods are proposed to segment five diseases including: bleeding, Crohn's disease, Lymphangiectasia, Xanthoma, and Lymphoid hyperplasia. Two superpixels methods are compared to provide semantic segmentation of these prolific diseases: simple linear iterative clustering (SLIC) and quick shift (QS). The segmented superpixels were classified into two classes (normal and abnormal) by support vector machine (SVM) using texture and color features. For both superpixel methods, the accuracy, specificity, sensitivity, and precision (SLIC, QS) were around 92%, 93%, 93%, and 88%, respectively. However, SLIC was dramatically faster than QS.

研究の動機と目的

• WCE画像における5種類の特定消化管疾患を自動で検出する手法を開発すること。
• 1件の研究あたり55,000枚を超えるWCEフレームを手作業でレビューする作業の時間的・人的負担を軽減すること。
• スーパープixelsに基づくセグメンテーションとSVM分類を活用して、疾患検出の正確性を向上させること。
• 臨床的画像セグメンテーションにおいて、SLICおよびクイックシフト（QS）のスーパープixelsアルゴリズムの性能と効率を比較すること。

提案手法

• SLICおよびクイックシフト（QS）を用いたスーパープixelsセグメンテーションにより、空間的に一貫性のある画像領域をグループ化する。
• セグメンテーションされたスーパープixelsから色およびテクスチャ特徴を抽出し、分類に用いる。
• 抽出された特徴に基づき、サポートベクターマシン（SVM）を用いて領域を正常または異常と分類する。
• 特徴抽出に、HSIおよびRGB色空間に加え、ハライック、ガボール、ロウのテクスチャ特徴を用いる。
• 複数のスーパープixels数を用いて、正確性、特異性、感度、適合率の指標で性能を評価する。
• SLICとQSの間で、セグメンテーション速度、正確性、疾患タイプにわたる頑健性を比較する。

実験結果

リサーチクエスチョン

• RQ1 SLICおよびQSスーパープixels手法は、WCE画像における5種類の特定消化管疾患のセグメンテーションにどの程度効果的か？
• RQ2 スーパープixels数を変化させた場合、異なる疾患における分類正確性および感度にどのような影響を与えるか？
• RQ3 本手法は、従来のフレームベースおよびピクセルベースの手法と比較して、検出性能においてどのように差を示すか？
• RQ4 正確性と計算効率のトレードオフにおいて、SLICとQSのどちらのスーパープixelsアルゴリズムがより優れた性能を示すか？
• RQ5 空間的広がりが異なる疾患（例：出血（広範囲）対比して黄色腫（小規模））の検出において、スーパープixelsベースのセグメンテーションは性能向上に寄与するか？

主な発見

• SLICおよびQSスーパープixels手法は、5種類のWCE疾患の分類において92–94％の正確性、91–95％の特異性、88–93％の感度を達成した。
• SLICはフレームあたり0.7秒という顕著に高速な処理時間を示したのに対し、QSは遅く、パラメータに敏感であった。
• 広範囲の病変（例：出血、クローン病、リンパ球増生症）では、100個を超えるスーパープixels数になると過剰セグメンテーションの影響で性能が低下した。
• 小規模な病変（例：リンパ管拡張症、黄色腫）では、スーパープixels数を増やすことで性能が向上し、小規模な異常の解像度が向上した。
• SLICベースの分類では、出血に対して97％の感度および97％の特異性を達成し、従来のフレームベース手法を上回った。
• 本手法は、特にリンパ球増生症（93％の感度、90％の適合率）およびクローン病（92％の感度、84％の適合率）において、既存の手法よりも優れた性能を示した。