[논문 리뷰] Colorectal Polyp Segmentation in the Deep Learning Era: A Comprehensive Survey

Zhenyu Wu, Fengmao Lv외 3명|arXiv (Cornell University)|2024. 01. 22.

Colorectal Cancer Screening and Detection인용 수 8

한 줄 요약

본 논문은 2014년부터 2023년까지의 심층 학습 기반 대장 폴립 분할(CPS) 방법에 대한 체계적 조사를 수행하고, 분류 체계(taxonomy), 데이터셋, 지표, 그리고 40개의 최첨단 모델에 대한 벤치마킹 분석을 제시한다.

ABSTRACT

Colorectal polyp segmentation (CPS), an essential problem in medical image analysis, has garnered growing research attention. Recently, the deep learning-based model completely overwhelmed traditional methods in the field of CPS, and more and more deep CPS methods have emerged, bringing the CPS into the deep learning era. To help the researchers quickly grasp the main techniques, datasets, evaluation metrics, challenges, and trending of deep CPS, this paper presents a systematic and comprehensive review of deep-learning-based CPS methods from 2014 to 2023, a total of 115 technical papers. In particular, we first provide a comprehensive review of the current deep CPS with a novel taxonomy, including network architectures, level of supervision, and learning paradigm. More specifically, network architectures include eight subcategories, the level of supervision comprises six subcategories, and the learning paradigm encompasses 12 subcategories, totaling 26 subcategories. Then, we provided a comprehensive analysis the characteristics of each dataset, including the number of datasets, annotation types, image resolution, polyp size, contrast values, and polyp location. Following that, we summarized CPS's commonly used evaluation metrics and conducted a detailed analysis of 40 deep SOTA models, including out-of-distribution generalization and attribute-based performance analysis. Finally, we discussed deep learning-based CPS methods' main challenges and opportunities.

연구 동기 및 목표

• 2014년에서 2023년까지의 심층 CPS 방법과 그 진화에 대한 구조화된 개요를 제공합니다.
• CPS에서의 네트워크 아키텍처, 감독 수준, 그리고 학습 패러다임을 분류합니다.
• 성능 벤치마크를 위해 CPS 데이터셋과 평가 지표를 분석합니다.
• 현재의 도전 과제를 요약하고 CPS 연구의 유망한 방향을 식별합니다.
• CPS에 진입하는 연구자들이 빠르게 이해하고 향후 연구를 수행할 수 있도록 돕습니다.

제안 방법

• 네트워크 아키텍처, 감독 수준, 그리고 학습 패러다임으로 심층 CPS 접근법을 26개의 하위 범주로 나누는 새로운 분류 체계를 제안합니다.
• 2014년부터 2023년까지의 115개 CPS 논문을 체계적으로 검토합니다.
• 주석, 해상도, 폴립 크기, 대비, 위치에 따라 14개의 CPS 데이터셋을 특징화합니다.
• Out-of-distribution 일반화 및 속성 기반 분석을 포함하여 40개의 심층 CPS 모델을 벤치마킹합니다.
• 일반화 및 속성 성능을 평가하기 위해 PolypGen 및 SUN-SEG 데이터셋을 사용해 방법들을 비교합니다.
• 해석 가능성, 일반화, 프라이버시, 대형 모델과의 잠재적 통합 등을 포함한 CPS의 도전 과제와 기회에 대해 논의합니다.

실험 결과

연구 질문

• RQ1 현대 CPS 방법을 정의하는 핵심 아키텍처적, 감독적, 학습 패러다임 패턴은 무엇인가?
• RQ2 주석, 해상도, 폴립 크기, 대비, 위치의 차이가 CPS 데이터셋에서 어떻게 다르며 이러한 차이가 모델 성능에 어떠한 영향을 미치는가?
• RQ3 2014년부터 2023년까지의 심층 CPS 모델의 현황은 무엇이며, 40개의 SOTA 모델은 일반화 및 속성 기반 성능에서 어떻게 비교되는가?
• RQ4 CPS가 직면한 주요 도전 과제는 무엇이며, 향후 어느 방향이 가장 유망한가?
• RQ5 여러 데이터셋에 걸친 표준화된 공개 프레임워크에서 CPS 방법을 어떻게 벤치마크할 수 있는가?

주요 결과

• 포괄적 분류 체계가 CPS 방법을 아키텍처, 감독, 학습 패러다임에 걸친 26개의 하위 범주로 정리합니다.
• 본 고찰은 2014년부터 2023년까지의 115편의 심층 CPS 논문을 다루고 40개의 심층 SOTA 모델을 분석합니다.
• 14개의 CPS 데이터셋과 12개의 일반적인 평가 지표가 논의됩니다.
• 분석에는 out-of-distribution 일반화(PolypGen) 및 속성 기반 성능(SUN-SEG)이 포함됩니다.
• 논문은 해석 가능성, 일반화, 견고성, 데이터 프라이버시와 같은 도전 과제를 식별하고, 비지도 이상 Localization 및 대형 시각/언어 모델과의 통합과 같은 기회를 강조합니다.