[논문 리뷰] AG-CUResNeSt: A Novel Method for Colon Polyp Segmentation

Dinh Viet Sang, Tran Quang Chung외 4명|arXiv (Cornell University)|2021. 05. 02.

Colorectal Cancer Screening and Detection참고 문헌 28인용 수 5

한 줄 요약

이 논문은 커플드 UNets와 강력한 ResNeSt 기반 모델, 그리고 주의 메커니즘을 조합하여 기능 융합과 의미 표현을 향상시키는 새로운 딥러닝 아키텍처인 AG-CUResNeSt를 제안한다. 이 방법은 다섯 개의 벤치마크 데이터셋에서 최신 기술 수준의 성능을 달성하였으며, Kvasir-SEG에서 AUC 0.9585와 MAP 0.886을 기록하여 중간 수준의 계산 비용에도 불구하고 뛰어난 정확도와 일반화 능력을 입증하였다.

ABSTRACT

Colorectal cancer is among the most common malignancies and can develop from high-risk colon polyps. Colonoscopy is an effective screening tool to detect and remove polyps, especially in the case of precancerous lesions. However, the missing rate in clinical practice is relatively high due to many factors. The procedure could benefit greatly from using AI models for automatic polyp segmentation, which provide valuable insights for improving colon polyp detection. However, precise segmentation is still challenging due to variations of polyps in size, shape, texture, and color. This paper proposes a novel neural network architecture called AG-CUResNeSt, which enhances Coupled UNets using the robust ResNeSt backbone and attention gates. The network is capable of effectively combining multi-level features to yield accurate polyp segmentation. Experimental results on five popular benchmark datasets show that our proposed method achieves state-of-the-art accuracy compared to existing methods.

연구 동기 및 목표

• 시각적 다양성과 명확하지 않은 경계로 인해 내시경에서 폴립을 놓치는 비율이 20%에서 47%에 이르는 문제를 해결하기 위해.
• 외관 다양성, 평평한 병변, 불량한 복부 준비 상태로 인한 과제를 극복하여 폴립 세그멘테이션 정확도를 향상시키기 위해.
• 더 나은 세그멘테이션 성능를 위해 기능 표현과 의미 흐름을 향상시키는 딥러닝 모델을 개발하기 위해.
• 임상 적용을 위한 견고하고 일반화 능력이 뛰어난 솔루션을 제공하여 두 번째 검토 도구 또는 교육 보조 수 Mittel로 활용 가능하게 하기 위해.
• 자원이 제한된 의료 환경에서 실시간 적용 가능성을 확보하기 위해 모델 복잡도와 추론 속도의 균형을 맞추기 위해.

제안 방법

• 이 방법은 이중 인코더 커플드 UNet(CUNet) 아키텍처를 사용하여 두 개의 UNet 브랜치 간에 이중 방향 기능 흐름을 가능하게 하여 기능 학습과 표현을 향상시킨다.
• 스플릿-어텐션 모듈을 사용하여 다중 수준의 맥락 정보를 캡처하고 기능 분별력을 향상시키는 ResNeSt 기반 모델을 통합한다.
• 업샘플링 과정에서 관련 없는 기능을 억제하고 융합된 기능의 관련성을 향상시키기 위해 스킵 커넥션에 주의 게이트를 적용한다.
• 다중 척도 스킵 커넥션과 연결을 사용하여 고수준 의미 기능과 저수준 공간적 세부 정보를 융합하여 정밀한 세그멘테이션을 달성한다.
• 폴립 영상의 세그멘테이션 성능를 최적화하기 위해 교차 엔트로피 손실과 Dice 손실을 사용하여 엔드 투 엔드로 모델을 훈련시킨다.
• 추론은 단일 GPU(NVIDIA RTX 3090)에서 수행되며, 19.2 FPS를 기록하여 실시간 임상 적용에 적합하다.

실험 결과

연구 질문

• RQ1 현대적인 기반 모델과 주의 메커니즘을 갖춘 커플드 UNet 아키텍처가 기존 최신 기술 수준의 방법을 뛰어넘는 폴립 세그멘테이션 정확도를 달성할 수 있는가?
• RQ2 ResNeSt와 주의 게이트의 통합이 다양한 폴립 외형과 데이터셋에서 기능 표현과 일반화 능력에 어떤 영향을 미치는가?
• RQ3 제안된 AG-CUResNeSt 모델이 다양한 내시경 데이터셋, 특히 다양한 영상 조건을 가진 데이터셋 간에 얼마나 잘 일반화되는가?
• RQ4 심지어 1%의 악성종양 탐지율 증가로도 3%의 대장암 위험 감소가 가능하므로, 임상 환경에서 모델 복잡도와 성능 간의 상호 교환은 타당한가?
• RQ5 이 모델은 특히 자원이 제한된 환경에서 내시경 전문의의 두 번째 검토 도구 또는 교육 보조 수 Mittel로 신뢰할 수 있는가?

주요 결과

• AG-CUResNeSt-101은 5겹 교차 검증에서 Kvasir-SEG 데이터셋에서 AUC 0.9585와 MAP 0.886을 기록하여 비교된 모든 최신 기술 수준의 모델보다 뛰어난 성능을 보였다.
• 이 모델은 Kvasir-SEG, CVC-ClinicDB, CVC-ColonDB, ETIS-Larib, Polyp-CT를 포함한 다섯 개의 기준 데이터셋에서 일관되게 최상의 성능을 보이며 뛰어난 일반화 능력을 입증하였다.
• 273.40 GFlops의 계산 복잡도에도 불구하고 RTX 3090 GPU에서 19.2 FPS를 기록하여 실시간 임상 적용 가능성을 입증하였다.
• 경량 모델인 HarDNet-MSEG와 PraNet는 더 낮은 FLOPs를 가졌지만 정확도 지표도 상당히 낮아, 이 모델의 성능가지 훨씬 뛰어났다.
• 제거 실험을 통해 ResNeSt, 주의 게이트, 커플드 UNets의 조합이 상호 보완적으로 작용하여 세그멘테이션 정확도와 강건성을 향상시켰다는 것이 확인되었다.
• 1%의 악성종양 탐지율 증가로 대장암 위험이 3% 감소하므로, 높은 정확도가 중간 수준의 계산 비용에 비해 가치가 있음을 시사한다.