[논문 리뷰] Colonoscopy Polyp Detection and Classification: Dataset Creation and Comparative Evaluations

Kaidong Li, Mohammad Isyroqi Fathan외 7명|arXiv (Cornell University)|2021. 04. 21.

Colorectal Cancer Screening and Detection참고 문헌 90인용 수 120

한 줄 요약

이 논문은 대규모 다중 소스 대肠내시경 데이터셋을 소개하며, 전문가가 작성한 폴립 위치 및 조직형질 분류를 포함하여 딥러닝 모델의 벤치마크 평가를 가능하게 한다. 폴립 탐지 및 분류를 위한 여덟 가지 최신 기술 기반 객체 검출 모델을 평가하여, YOLOv4, ATSS 및 RefineDet가 정밀도, 재현율 및 일관성의 최적 균형을 달성함을 입증하였으며, Faster R-CNN은 선종성 폴립의 경우 가장 높은 재현율(93.3%)을 기록하였다.

ABSTRACT

Colorectal cancer (CRC) is one of the most common types of cancer with a high mortality rate. Colonoscopy is the preferred procedure for CRC screening and has proven to be effective in reducing CRC mortality. Thus, a reliable computer-aided polyp detection and classification system can significantly increase the effectiveness of colonoscopy. In this paper, we create an endoscopic dataset collected from various sources and annotate the ground truth of polyp location and classification results with the help of experienced gastroenterologists. The dataset can serve as a benchmark platform to train and evaluate the machine learning models for polyp classification. We have also compared the performance of eight state-of-the-art deep learning-based object detection models. The results demonstrate that deep CNN models are promising in CRC screening. This work can serve as a baseline for future research in polyp detection and classification.

연구 동기 및 목표

• 대장암 스크리닝을 위한 표준화된 대규모 내 endoscopic 데이터셋을 구축하고, 진단 기준 폴립 주석을 제공하기 위해.
• 여덟 가지 최신 딥러닝 기반 객체 검출기의 폴립 탐지 및 분류 성능을 평가하고 비교하기 위해.
• 내 endoscopic 영상 기반 컴퓨터 지원 폴립 진단 분야의 향후 연구를 위한 기준을 설정하기 위해.
• 폴립 탐지에서 국소화 정밀도 향상이 분류 성능에 미치는 영향을 조사하기 위해.

제안 방법

• 다양한 임상 자료에서 대장내시경 영상을 수집하여 종합적인 데이터셋을 구성하였다.
• 전문가 위장내과의사들이 폴립 위치를 바운딩 박스와 조직형질(선종성, 히퍼플라스틱)로 주석 처리하였다.
• Faster R-CNN, SSD, YOLOv3, RetinaNet, DetNet, RefineDet, YOLOv4 및 ATSS를 포함한 여덟 가지 최신 딥러닝 객체 검출기를 훈련 및 평가하였다.
• 모델의 영상 시퀀스에 대한 내성 평가를 위해 프레임 기반 단일 클래스 탐지 및 시퀀스 기반 이중 클래스 분류를 수행하였다.
• 정밀도, 재현율, F1 점수, 평균 정밀도(AP), 추론 시간 등의 지표를 사용하여 모델 간 성능을 비교하였다.
• 소형 폴립 탐지를 향상시키기 위해 RetinaNet에 포칼 손실을 적용하고 앵커 정밀도 기법을 도입하였다.

실험 결과

연구 질문

• RQ1 대장내시경 영상에서 선종성 폴립에 대해 가장 높은 탐지 재현율을 달성하는 딥러닝 객체 검출기는 무엇인가?
• RQ2 단일 단계 및 이중 단계 검출기 간에 폴립 탐지에서 정밀도, 재현율 및 추론 속도 측면에서의 성능 비교는 어떻게 이루어지는가?
• RQ3 국소화 정밀도 향상이 폴립 분류 성능에 어떤 영향을 미치는가?
• RQ4 비디오 시퀀스의 여러 프레임에서 동일한 폴립 유형을 일관되게 예측하는 모델은 얼마나 일관성 있는가?
• RQ5 탐지 및 분류 작업 전반에서 가장 강력하고 안정적인 성능을 보이는 모델는 무엇인가?

주요 결과

• Faster R-CNN은 선종성 폴립에 대해 가장 높은 재현율(93.3%)을 기록하여 탐지 민감도에서 대부분의 모델를 앞섰다.
• RefineDet는 프레임 기반 단일 클래스 탐지에서 가장 높은 F1 점수(88.6)와 AP(88.5)를 기록하여 가장 우수한 종합 탐지 성능를 보였다.
• YOLOv4, ATSS 및 RefineDet는 탐지 및 분류 작업 전반에서 정밀도, 재현율 및 F1 점수의 균형 잡힌 성능을 보였다.
• SSD와 YOLOv3는 가장 빠른 추론 시간(17ms)을 기록하여 60 FPS 이상의 실시간 적용에 적합하였다.
• DetNet은 Faster R-CNN(63.9%) 대비 높은 정밀도(85.8%)를 기록했지만 재현율이 낮았기 때문에(81.8%), 탐지 전략에서의 상충 관계가 드러났다.
• RefineDet, SSD, YOLOv4 및 ATSS와 같은 모델들은 비디오 시퀀스에서 예측 클래스의 일관성이 높았으며, 70% 이상의 시퀀스에서 우세한 예측 클래스가 나타났다.