[論文レビュー] The Effectiveness of Data Augmentation for Detection of Gastrointestinal Diseases from Endoscopical Images

Andrea Asperti, Claudio Mastronardo|arXiv (Cornell University)|Dec 11, 2017

Colorectal Cancer Screening and Detection被引用数 5

ひとこと要約

本研究では、Kvasirデータセットを用いた内視鏡画像からの消化管疾患検出における深層学習の性能が、データ拡張によって顕著に向上することを示している。小規模で公開可能なデータセットを対象に、転移学習と標準的な拡張技術（回転、スケーリング、カラーのジャイタリングなど）を組み合わせることで、著者らは91.5%の正確性、再現率、F1スコア、適合率という最先端の結果を達成した。これは、マイクロ平均化された指標において、先行手法を上回った。

ABSTRACT

The lack, due to privacy concerns, of large public databases of medical pathologies is a well-known and major problem, substantially hindering the application of deep learning techniques in this field. In this article, we investigate the possibility to supply to the deficiency in the number of data by means of data augmentation techniques, working on the recent Kvasir dataset of endoscopical images of gastrointestinal diseases. The dataset comprises 4,000 colored images labeled and verified by medical endoscopists, covering a few common pathologies at different anatomical landmarks: Z-line, pylorus and cecum. We show how the application of data augmentation techniques allows to achieve sensible improvements of the classification with respect to previous approaches, both in terms of precision and recall.

研究の動機と目的

• プライバシー制約のため、公に利用可能な消化管疾患検出用の医療データセットが限られているという課題に対処する。
• データ拡張が、内視鏡画像の深層学習ベース分類において、小規模なデータセットの欠損を効果的に補うことができるかどうかを調査する。
• 拡張技術と転移学習を用いて、Kvasirデータセットにおける分類性能（特に適合率、再現率、F1スコア）を向上させる。
• この医療画像処理タスクにおいて、標準的な拡張技術が高度なGANベースの手法よりも優れていることを示す。
• 今後の限られたアノテーション付きデータを用いた自動消化管疾患検出研究のための強固なベースラインを提供する。

提案手法

• ImageNetで事前学習されたInception-v3アーキテクチャを用いて、特徴抽出のための転移学習を実施した。
• データ拡張技術として、ランダムな回転、スケーリング、クロッピング、カラーのジャイタリング、水平反転を適用し、学習データの多様性を向上させた。
• 分類器ヘッドを、凍結された特徴抽出器の上に構築し、カテゴリカル交差エントロピー損失関数を用いて学習した。
• スナップショットアンサンブルを採用することで、訓練エポック全体にわたるモデルの汎化性能と耐障害性を向上させた。
• クラスのバランスを保つために、Kvasirデータセットを標準的なストラティファイド分割法で訓練用とテスト用に分割した。
• 性能評価には、マイクロ平均化された適合率、再現率、F1スコア、およびマシューフェアコefficient（MCC）を用いた。

実験結果

リサーチクエスチョン

• RQ1 Kvasirのような小規模な医療画像データセットにおいて、データ拡張が、消化管疾患検出の分類性能を顕著に向上させることができるか？
• RQ2 本研究の深層学習モデルにおけるデータ拡張の性能は、Kvasirデータセットにおいて、先行する最先端手法と比較してどうなるか？
• RQ3 内視鏡画像分類において、適合率、再現率、F1スコアの向上に最も寄与するデータ拡張技術は何か？
• RQ4 モデルの誤分類の主な原因は何であり、それらはデータの改善やアーキテクチャの最適化によって軽減可能か？
• RQ5 このタスクにおいて、転移学習と組み合わせたデータ拡張が、拡張なしまたは非転移ベースのモデルを上回る程度はどの程度か？

主な発見

• 提案手法は、Kvasirデータセットにおいて、マイクロ平均化されたF1スコア91.5%、適合率91.5%、再現率91.5%、正確度91.5%を達成した。
• アンサンブルモデルやロジスティック回帰を含む、先行手法すべての指標において、本モデルは上回った。特にF1スコアとMCCで顕著な優位性を示した。
• 正常な回盲部および正常な幽門部の分類正確度が最も高かったことから、明確な解剖学的構造における強い性能を示した。
• 誤分類の主な原因は、青色の色調が類似しているため、染色上昇ポリープと染色切除巣の間で発生した。
• 正常なゾーンラインと食道炎の間の誤分類が観察されたが、これは軽度の炎症に起因する微細な視覚的差異によるものと考えられる。
• 本結果から、特に染色ポリープ、切除巣、ゾーンラインといった曖昧なクラスのための訓練データの増強が、さらなる性能向上に寄与する可能性がある。