[논문 리뷰] A Survey on Deep Learning for Polyp Segmentation: Techniques, Challenges and Future Trends

Jiaxin Mei, Tao Zhou외 5명|arXiv (Cornell University)|2023. 11. 30.

Colorectal Cancer Screening and Detection인용 수 7

한 줄 요약

이 종합 검토는 다양한 폴립 크기와 네트워크 아키텍처를 고려하여 최신 기술 기반의 폴립 세그멘테이션 방법을 종합적으로 분석한다. 24개의 최신 모델을 평가하며, 제한된 애너테이션 데이터, 경계의 모호성, 도메인 이탈 등의 주요 과제를 규명하고, 향후 연구 방향으로는 도메인 간 일반화, 실시간 추론, 개인정보 보호를 위한 피어드 학습을 제안한다.

ABSTRACT

Early detection and assessment of polyps play a crucial role in the prevention and treatment of colorectal cancer (CRC). Polyp segmentation provides an effective solution to assist clinicians in accurately locating and segmenting polyp regions. In the past, people often relied on manually extracted lower-level features such as color, texture, and shape, which often had issues capturing global context and lacked robustness to complex scenarios. With the advent of deep learning, more and more outstanding medical image segmentation algorithms based on deep learning networks have emerged, making significant progress in this field. This paper provides a comprehensive review of polyp segmentation algorithms. We first review some traditional algorithms based on manually extracted features and deep segmentation algorithms, then detail benchmark datasets related to the topic. Specifically, we carry out a comprehensive evaluation of recent deep learning models and results based on polyp sizes, considering the pain points of research topics and differences in network structures. Finally, we discuss the challenges of polyp segmentation and future trends in this field. The models, benchmark datasets, and source code links we collected are all published at https://github.com/taozh2017/Awesome-Polyp-Segmentation.

연구 동기 및 목표

• 기존 기법과 딥러닝 기반 폴립 세그멘테이션 기법을 체계적으로 검토하기 위해.
• 다양한 폴립 크기에서 24개의 대표적 딥러닝 모델의 성능을 평가하기 위해.
• 벤치마크 데이터셋을 분석하고 데이터 다양성 및 애너테이션 품질의 격차를 규명하기 위해.
• 도메인 이탈, 실시간 추론, 소형/대형 폴립 세그멘테이션 등의 지속적인 과제를 식별하기 위해.
• 도메인 간 적응, 경량 모델, 피어드 학습 등의 향후 연구 방향을 제안하기 위해.

제안 방법

• 폴립 세그멘테이션 기법을 전통적(수작업 특징 기반) 및 딥러닝 기반 접근법으로 분류하기 위해.
• 크기 기반 성능 분석을 위한 새로운 데이터셋을 구축하여 24개의 딥러닝 모델을 종합적으로 평가하기 위해.
• 모델 간 네트워크 아키텍처, 손실 함수, 데이터 증강 전략을 분석하기 위해.
• 폴립 크기(소형, 중형, 대형) 기반으로 모델 성능을 평가하여 크기별로 특화된 한계를 규명하기 위해.
• 공개된 벤치마크 데이터셋을 조사하고 요약하기 위해. 이는 애너테이션, 해상도, 임상적 관련성 포함.
• 주의 메커니즘, 다중 스케일 특징 융합, 트랜스포머 기반 아키텍처 등의 새로운 기법 탐색하기 위해.

실험 결과

연구 질문

• RQ1 다양한 폴립 크기에서 다양한 딥러닝 아키텍처의 성능는 어떻게 다를까?
• RQ2 현장 임상 환경에서 현재 폴립 세그멘테이션 모델의 핵심 한계는 무엇인가?
• RQ3 다른 영상 센터 간의 도메인 이탈 문제를 폴립 세그멘테이션에서 어떻게 완화할 수 있는가?
• RQ4 실시간 임상 적용을 위한 정확도와 추론 속도 사이의 상충 관계는 무엇인가?
• RQ5 피어드 학습과 같은 개인정보 보호 학습 방법은 기관 간 모델 일반화를 어떻게 향상시킬 수 있는가?

주요 결과

• 소형 폴립에서는 공간 해상도가 낮고 경계가 모호하여 모델의 성능 저하가 심각하게 나타난다.
• 트랜스포머 기반 모델인 Polyp-PVT와 HSNet은 복잡한 폴립 형태와 경계 정확도 향상에서 향상된 성능을 보였다.
• 도메인 간 일반화는 여전히 주요 과제이며, 한 센터의 데이터로 학습된 모델은 다른 센터의 데이터에서는 성능이 떨어진다.
• CFA-Net과 얕은 주의망(Shallow Attention Network)과 같은 경량 및 효율적인 아키텍처는 수용 가능한 정확도를 유지하면서 실시간 추론을 달성했다.
• 색상 교환 데이터 증강 기법을 사용함으로써 모델의 색상 통계에 대한 의존도가 감소하여 강건성이 향상되었다.
• 피어드 학습 및 상호 프로토타입 적응 방법은 원시 환자 데이터를 공유하지 않으면서도 도메인 이탈을 줄이는 데 잠재력이 있다.