[論文レビュー] Survey of Computer Vision and Machine Learning in Gastrointestinal Endoscopy

Anant Vemuri|arXiv (Cornell University)|Apr 26, 2019

Colorectal Cancer Screening and Detection参考文献 340被引用数 6

ひとこと要約

このサーベイはディープラーニング出現以前の消化器内視鏡におけるコンピュータビジョンおよび機械学習の応用をレビューし、ポリープや潰瘍の検出など18の臨床的タスクに分類している。テクスチャ解析、ウェーブレット変換、SVMベースの分類法といった従来手法を評価し、内視鏡画像解析タスクにおける特徴工学と分類器のパフォーマンスの向上を強調している。

ABSTRACT

This paper attempts to provide the reader a place to begin studying the application of computer vision and machine learning to gastrointestinal (GI) endoscopy. They have been classified into 18 categories. It should be be noted by the reader that this is a review from pre-deep learning era. A lot of deep learning based applications have not been covered in this thesis.

研究の動機と目的

• ディープラーニングの台頭以前の消化器内視鏡に応用されたコンピュータビジョンおよび機械学習手法を包括的にレビューすること。
• ポリープ検出、潰瘍の同定、疾患分類などを含む18の明確に区別された臨床的応用を分類・分析すること。
• GLCM、LBP、ガボール、ウェーブレット変換などの従来の特徴抽出法と、SVMやAdaBoostといった古典的分類器を組み合わせた手法の有効性を評価すること。
• 臨床的意思決定支援のための内視鏡画像分類において、色、テクスチャ、形状に基づく特徴の識別能を評価すること。
• 特にディープラーニング以前の時代を想定した、医療画像解析分野における研究者への基盤的リファレンスを提供すること。

提案手法

• ポリープ検出、潰瘍検出、セリアック病の同定などを含む18の明確に区別されたタスクに分類された臨床的応用。
• 色、テクスチャ（GLCM、LBP、ガボール）、形状記述子（凸包、スケルトン化）を用いた手作業による画像特徴抽出。
• SVM、KNN、AdaBoost、マルチレイヤーパーセプトロンなどの古典的機械学習分類器を用いた分類タスク。
• EMD、EEMD、二次元的経験モード分解を用いた信号分解技術により、テクスチャ解析のための内在モード関数を抽出。
• 色空間（RGB、HSV、CIE Lab）、ウェーブレットドメインの共起行列、マルチスケールローカルパターンを統合した特徴融合戦略により、分類のロバスト性を向上。
• 次元削減および特徴選択技術（シミュレーテッドアニーリング、LDA）を用いて分類器パフォーマンスを最適化。

実験結果

リサーチクエスチョン

• RQ1 ポリープや潰瘍のような消化器病変の検出・分類において、従来のコンピュータビジョンおよび機械学習手法はどの程度有効であったか？
• RQ2 色、テクスチャ、形状のうち、内視鏡画像における異常組織の分類に最も高い識別能を示すのはどれか？
• RQ3 ガボール、ウェーブレット、LBPなどの異なる特徴抽出法を古典的分類器と組み合わせた場合、性能にどのような差が生じるか？
• RQ4 EMD や EEMD などの信号分解法は、内視鏡画像における微細な病理的テクスチャの検出をどの程度向上できるか？
• RQ5 複数の色空間および変換ドメインにおける特徴融合は、GI内視鏡における分類精度にどのような影響を与えるか？

主な発見

• 色と画素位置に基づく特徴記述子にSVMを組み合わせた手法は、テクスチャおよび形状特徴を統合することで、ポリープ検出に効果を発揮した。
• GLCM および LBP 特徴は、SVM と組み合わせて使用した場合、ポリープ分類において優れたパフォーマンスを示した。一部の比較研究では、GLCM を用いたテクスチャ特徴が LBP を上回った。
• CoRF アルゴリズムは、ベクトル量子化におけるブロック選択問題を解決したため、k-means や LGB クラスタリングに比べてポリープ検出およびセグメンテーションで優れた性能を示した。
• ウェーブレットドメインにおける色テクスチャ特徴、特に色ウェーブレットクロス共起行列は、輝度のみを用いた手法よりも分類精度を向上させた。特に KNN 分類器と組み合わせた場合に顕著であった。
• 血管セグメンテーションおよびトポロジー特徴抽出により、ポリープ分類に22の識別的特徴が得られ、シミュレーテッドアニーリングが最適な特徴選択を実現した。
• RGB、HSV、CIE Lab などの複数の色空間におけるラキュナリティベースのテクスチャ特徴は、健全組織と病変組織の構造的差を効果的に捉え、正確な潰瘍検出を支援した。