[論文レビュー] Understanding the effects of artifacts on automated polyp detection and incorporating that knowledge via learning without forgetting

Maxime Kayser, Roger D. Soberanis-Mukul+4 more|arXiv (Cornell University)|Feb 7, 2020

Colorectal Cancer Screening and Detection被引用数 9

ひとこと要約

本稿では、気泡、スペキュラリティ、ぼやけなど6種類の内視鏡アーティファクトが、ディープラーニングベースのポリープ検出に与える影響を調査し、一部のアーティファクトは検出性能を損なう一方で、スペキュラリティのようなアーティファクトは検出性能を向上させる可能性があると判明した。著者らは、学習の忘却（LwF）を用いたマルチタスク学習フレームワークを提案し、ポリープとアーティファクトを同時に検出するようにすることで、アーティファクトに起因する誤検出の耐性を向上させたが、全体的な検出性能の向上は限定的であった。

ABSTRACT

Survival rates for colorectal cancer are higher when polyps are detected at an early stage and can be removed before they develop into malignant tumors. Automated polyp detection, which is dominated by deep learning based methods, seeks to improve early detection of polyps. However, current efforts rely heavily on the size and quality of the training datasets. The quality of these datasets often suffers from various image artifacts that affect the visibility and hence, the detection rate. In this work, we conducted a systematic analysis to gain a better understanding of how artifacts affect automated polyp detection. We look at how six different artifact classes, and their location in an image, affect the performance of a RetinaNet based polyp detection model. We found that, depending on the artifact class, they can either benefit or harm the polyp detector. For instance, bubbles are often misclassified as polyps, while specular reflections inside of a polyp region can improve detection capabilities. We then investigated different strategies, such as a learning without forgetting framework, to leverage artifact knowledge to improve automated polyp detection. Our results show that such models can mitigate some of the harmful effects of artifacts, but require more work to significantly improve polyp detection capabilities.

研究の動機と目的

• 異なる内視鏡アーティファクトが自動ポリープ検出性能に与える影響を体系的かつ系統的に分析すること。
• 気泡、スペキュラリティ、ぼやけなど、アーティファクトの空間的位置とクラス固有の影響がポリープ検出モデルに与える影響を理解すること。
• ポリープ検出モデルにアーティファクトの知識を統合することで、検出の耐性と正確性が向上するかを検討すること。
• 学習の忘却（LwF）とマルチタスク学習（MTL）戦略の有効性を評価すること。特に、ポリープ検出性能を損なわずにアーティファクト表現を統合できるかを検証すること。

提案手法

• CVC-ClinicDBデータセットに、事前学習済みのEADチャレンジモデルを用いて、6つのアーティファクトクラスのバウンディングボックスレベルのアノテーションを付与する。
• RetinaNetベースのポリープ検出器にマルチタスク学習ヘッドを導入し、ポリープとアーティファクトを同時に予測するように訓練する。この際、元のポリープ検出タスクの性能を保持するため、LwFに基づく distillation 損失を用いる。
• LwFを用いた二重分類サブネットワークを実装し、新しいアーティファクトクラスを学習しつつ、元のポリープ検出タスクの精度を維持できるようにする。
• トレーニング中にポリープとアーティファクトのクラス不均衡を緩和するため、クラスウェイトとしきい値戦略を適用する。
• アーティファクト検出とポリープ検出の出力を統合することで、検出の信頼性を評価する不確実性を考慮した推論を実装する。
• F1スコア、誤検出率・誤検出率、およびさまざまなしきい値と設定におけるアーティファクト誤分類率を用いて、モデルの性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 気泡、スペキュラリティ、ぼやけなど、異なる種類の内視鏡アーティファクトが、ディープラーニングベースのポリープ検出モデルの性能にどのように影響を与えるか。
• RQ2 アーティファクトの画像内での空間的位置がポリープ検出性能に影響を与えるか。その影響の仕組みは何か。
• RQ3 ポリープに加えてアーティファクトの検出を学習することで、ポリープ検出モデルの耐性が向上するか。
• RQ4 学習の忘却（LwF）フレームワークは、アーティファクト検出機能を統合しながらも、ポリープ検出性能をどの程度維持できるか。
• RQ5 アーティファクト表現を統合したマルチタスク学習により、気泡やぼやけなどのアーティファクトに起因する誤検出を低減できるか。

主な発見

• 気泡とぼやけアーティファクトは、誤検出率を顕著に上昇させ、特に気泡はしばしばポリープと誤って分類される。
• ポリープ領域内に存在するスペキュラリティ反射は、検出性能を向上させることがあることが示され、一部の状況では有益である可能性がある。
• LwFに基づくマルチタスクモデルは、ぼやけアーティファクトに関連する誤検出を顕著に低減し、アーティファクトの識別性能が向上した。
• 4つの選択されたアーティファクトクラスを含むMTLモデルは、ベースラインと比較して、気泡を含む誤検出を40%、スペキュラリティを含む誤検出を30%それぞれ低減した。
• アーティファクト関連の耐性が向上したものの、全体のF1スコアは有意に向上せず、アーティファクトのしきい値が0.4に高い場合にピークで0.31にとどまった。
• トレーニングデータにおけるアーティファクトの信頼度しきい値と最終的なポリープ検出性能の間に強い負の相関が認められ、高密度のアーティファクトは学習を劣化させることが示唆された。