[논문 리뷰] Adaptive Context Selection for Polyp Segmentation

Ruifei Zhang, Guanbin Li외 4명|arXiv (Cornell University)|2023. 01. 12.

Radiomics and Machine Learning in Medical Imaging인용 수 12

한 줄 요약

이 논문은 Local Context Attention(LCA), Global Context Module(GCM), Adaptive Selection Module(ASM)을 갖춘 인코더–디코더 프레임워크 ACSNet을 제안하여 국소 및 전역 컨텍스트를 적응적으로 융합하고 EndoScene 및 Kvasir-SEG 데이터셋에서 최첨단 성능을 달성합니다.

ABSTRACT

Accurate polyp segmentation is of great significance for the diagnosis and treatment of colorectal cancer. However, it has always been very challenging due to the diverse shape and size of polyp. In recent years, state-of-the-art methods have achieved significant breakthroughs in this task with the help of deep convolutional neural networks. However, few algorithms explicitly consider the impact of the size and shape of the polyp and the complex spatial context on the segmentation performance, which results in the algorithms still being powerless for complex samples. In fact, segmentation of polyps of different sizes relies on different local and global contextual information for regional contrast reasoning. To tackle these issues, we propose an adaptive context selection based encoder-decoder framework which is composed of Local Context Attention (LCA) module, Global Context Module (GCM) and Adaptive Selection Module (ASM). Specifically, LCA modules deliver local context features from encoder layers to decoder layers, enhancing the attention to the hard region which is determined by the prediction map of previous layer. GCM aims to further explore the global context features and send to the decoder layers. ASM is used for adaptive selection and aggregation of context features through channel-wise attention. Our proposed approach is evaluated on the EndoScene and Kvasir-SEG Datasets, and shows outstanding performance compared with other state-of-the-art methods. The code is available at https://github.com/ReaFly/ACSNet.

연구 동기 및 목표

• 폴립의 크기와 형태 다양성에 대응하여 정확한 폴립 분할을 가능하게 한다.
• 로컬 및 글로벌 컨텍스트를 선택적으로 활용하는 인코더–디코더 프레임워크를 개발한다.
• 폴립 크기에 따라 컨텍스트 특징을 적응적으로 융합하기 위해 LCA, GCM, ASM 모듈을 도입한다.
• 공개 데이터셋(EndoScene, Kvasir-SEG)에서 평가하고 최신 방법보다 성능 향상을 보인다.

제안 방법

• 다섯 블록 ResNet34 인코더/디코더를 가진 향상된 UNet 유사 구조.
• 로컬 컨텍스트 어텐션(LCA) 모듈은 이전 예측 맵에 guided된 하드-리전 로컬 컨텍스트로 디코더 특징을 풍부하게 하기 위해 스킵 연결을 대체한다.
• 글로벌 컨텍스트 모듈(GCM)은 풀링 가지와 비국소 연산을 통해 다중 스케일의 글로벌 컨텍스트를 포착하고 이를 모든 ASM 블록에 피드백한다.
• Adaptive Selection Module(ASM)은 채널별 어텐션(squeeze-and-excitation 스타일)을 사용하여 로컬 및 글로벌 컨텍스트를 이전 디코더 특징과 융합한다.
• 여러 디코더 단계에서 예측 맵이 학습을 감독하고, 손실은 이진 교차 엔트로피와 Dice 손실을 결합한다.

실험 결과

연구 질문

• RQ1 적응적 로컬 및 글로벌 컨텍스트 선택이 다양한 크기와 형태의 폴립에서 분할 성능을 향상시킬 수 있는가?
• RQ2 LCA, GCM, ASM이 개별적으로 그리고 집합적으로 분할 정확도에 어떻게 기여하는가?
• RQ3 ACSNet이 표준 벤치마크에서 기존 아키텍처에 비해 일관된 향상을 달성하는가?

주요 결과

• ACSNet은 EndoScene에서 Dice 점수 86.59%를 달성하여 제시된 방법들 중 최고이며, 두 번째 최상보다 3.66% 포인트 향상된다.
• EndoScene에서 ACSNet은 Rec 87.96, Spec 99.16, Prec 90.99, IoUp 79.73, IoUb 96.86, mIoU 88.29, Acc 97.11를 달성한다.
• Kvasir-SEG에서 ACSNet은 Dice 91.30 및 mIoU 90.28를 달성하여 UNet, UNet++, SFANet, SegNet 변형들을 능가하며, Baseline+LCAs+GCM 및 기타 애블레이션도 점진적 향상을 보인다.
• 애블레이션 연구에 따르면 LCAs, GCM, ASM을 순차적으로 추가할 때 Dice가 각각 0.79%, 1.28%, 1.02% 증가한다.