[논문 리뷰] Colorectal Polyp Segmentation by U-Net with Dilation Convolution

Xinzi Sun, Pengfei Zhang외 3명|arXiv (Cornell University)|2019. 12. 26.

Colorectal Cancer Screening and Detection참고 문헌 34인용 수 5

한 줄 요약

이 논문은 대장내시경 영상에서 정확한 대장 폴립 세분화를 위해 확장된 컨볼루션을 사용하는 U-Net 기반 딥러닝 프레임워크를 제안한다. 인코더에서 다운샘플링을 확장된 컨볼루션으로 대체하고, 업샘플링 후 다중 스케일 특징을 병합하는 간소화되고 파rameter 효율적인 디코더를 사용함으로써, CVC-ClinicDB와 ETIS-Larib Polyp DB에서 각각 88.73%와 80.00%의 Dice 스코어를 기록하며 최신 기술 수준의 성능을 달성한다.

ABSTRACT

Colorectal cancer (CRC) is one of the most commonly diagnosed cancers and a leading cause of cancer deaths in the United States. Colorectal polyps that grow on the intima of the colon or rectum is an important precursor for CRC. Currently, the most common way for colorectal polyp detection and precancerous pathology is the colonoscopy. Therefore, accurate colorectal polyp segmentation during the colonoscopy procedure has great clinical significance in CRC early detection and prevention. In this paper, we propose a novel end-to-end deep learning framework for the colorectal polyp segmentation. The model we design consists of an encoder to extract multi-scale semantic features and a decoder to expand the feature maps to a polyp segmentation map. We improve the feature representation ability of the encoder by introducing the dilated convolution to learn high-level semantic features without resolution reduction. We further design a simplified decoder which combines multi-scale semantic features with fewer parameters than the traditional architecture. Furthermore, we apply three post processing techniques on the output segmentation map to improve colorectal polyp detection performance. Our method achieves state-of-the-art results on CVC-ClinicDB and ETIS-Larib Polyp DB.

연구 동기 및 목표

• 대장내시경 영상에서 대장 폴립 세분화의 정확도를 향상시켜 조기 암 검출을 지원한다.
• 기본 U-Net 아키텍처에서 최대 풀링과 다운샘플링으로 인한 악화된 국소화 및 해상도 손실 문제를 해결한다.
• 다운샘플링을 확장된 컨볼루션으로 대체하여 공간 해상도를 감소시키지 않고도 특징 표현을 향상시킨다.
• 이중선형 보간과 병렬 특징 병합을 사용하여 디코더 아키텍처를 단순화함으로써 모델 복잡도를 감소시키고 추론 속도를 향상시킨다.
• 최종 출력 마스크를 정밀하게 개선하기 위한 후처리 기법을 통해 세분화 성능을 향상시킨다.

제안 방법

• 인코더는 최종 블록에서 확장된 컨볼루션을 사용하는 수정된 ResNet-50 백본을 사용하여 고수준 특징 학습을 위한 감지 범위를 확장하면서도 공간 해상도를 유지한다.
• 디코더는 표준 U-Net과는 달리, 다양한 인코더 스테이지에서의 다중 스케일 특징 맵을 원본 이미지 크기로 이중선형 보간을 통해 업샘플링한 후 병렬으로 병합한다.
• 학습 데이터셋에서 소형 폴립이 존재하지 않기 때문에 첫 번째 스테이지(스트라이드 s=2)를 제외한 인코더의 마지막 네 개 스테이지를 조합하여 특징 맵을 결합한다.
• 후처리에는 형태학적 연산과 마스크 정밀화 기법이 포함되어 최종 세분화 출력의 정밀도, 재현율 및 F1-스코어를 향상시킨다.
• 세분화 성능을 최적화하기 위해 이중 교차 엔트로피 손실과 Dice 손실을 사용하여 엔드 투 엔드로 네트워크를 훈련시킨다.
• 제거 분석을 통해 확장된 컨볼루션, 새로운 디코더 구조, 인코더 백본 선택의 기여도를 검증한다.

실험 결과

연구 질문

• RQ1 U-Net 인코더에서 다운샘플링을 확장된 컨볼루션으로 대체하면 공간 해상도 손실 없이도 폴립 세분화 정확도가 향상되는가?
• RQ2 병렬으로 업샘플링된 다중 스케일 특징을 병합하는 간소화된 디코더가 순차적 스킵 연결을 사용하는 표준 U-Net 디코더보다 성능이 뛰어나게 되는가?
• RQ3 ResNet-50와 같은 깊은 백본을 사용하고 확장된 컨볼루션을 적용하면 표준 U-Net 인코더에 비해 세분화 성능이 어떻게 향상되는가?
• RQ4 후처리 기법이 정밀도, 재현율 및 F1-스코어 측면에서 최종 세분화 품질을 얼마나 향상시키는가?
• RQ5 모델이 CVC-ClinicDB와 ETIS-Larib Polyp DB와 같은 다양한 폴립 데이터셋 간에 강건하고 일반화 가능한가?

주요 결과

• 제안된 모델은 CVC-ClinicDB 데이터셋에서 88.73%의 Dice 계수를 기록하여 이전 최신 기술 수준의 방법들을 초월한다.
• ETIS-Larib Polyp DB 데이터셋에서는 80.00%의 Dice 스코어를 기록하여 강력한 강건성과 일반화 능력을 입증한다.
• 제거 분석 결과, 새로운 디코더 구조는 Dice 스코어를 1.66% 향상시키고 모델 크기를 28.995MB에서 25.632MB로 감소시킨다.
• 표준 컨볼루션을 확장된 컨볼루션으로 대체하면 Dice 스코어가 3.26% 향상되고, 정밀도는 2.85%, F1-스코어는 1.89% 향상된다.
• ResNet-50를 인코더 백본으로 사용할 경우 표준 U-Net 인코더에 비해 성능 향상이 뚜렷하며, 이를 대체하면 Dice 스코어가 7.69% 감소한다.
• 후처리 기법은 정밀도, 재현율 및 F1-스코어를 향상시켜 세분화 마스크 정밀화에 효과적임을 확인한다.