[논문 리뷰] FCB-SwinV2 Transformer for Polyp Segmentation

Kerr Fitzgerald, B.K. Matuszewski|arXiv (Cornell University)|2023. 02. 02.

Colorectal Cancer Screening and Detection인용 수 12

한 줄 요약

이 논문은 FCBFormer의 트랜스포머를 SwinV2 Transformer-UNET으로 교체하고 소폭의 FCN 수정으로 FCBFormer를 수정하여 Kvasir-SEG와 CVC-ClinicDB에서 폴립 분할의 최첨단 성능을 달성하고 더 나은 mDice 점수를 얻으며 데이터 분할상의 문제점을 강조한다.

ABSTRACT

Polyp segmentation within colonoscopy video frames using deep learning models has the potential to automate the workflow of clinicians. This could help improve the early detection rate and characterization of polyps which could progress to colorectal cancer. Recent state-of-the-art deep learning polyp segmentation models have combined the outputs of Fully Convolutional Network architectures and Transformer Network architectures which work in parallel. In this paper we propose modifications to the current state-of-the-art polyp segmentation model FCBFormer. The transformer architecture of the FCBFormer is replaced with a SwinV2 Transformer-UNET and minor changes to the Fully Convolutional Network architecture are made to create the FCB-SwinV2 Transformer. The performance of the FCB-SwinV2 Transformer is evaluated on the popular colonoscopy segmentation bench-marking datasets Kvasir-SEG and CVC-ClinicDB. Generalizability tests are also conducted. The FCB-SwinV2 Transformer is able to consistently achieve higher mDice scores across all tests conducted and therefore represents new state-of-the-art performance. Issues found with how colonoscopy segmentation model performance is evaluated within literature are also re-ported and discussed. One of the most important issues identified is that when evaluating performance on the CVC-ClinicDB dataset it would be preferable to ensure no data leakage from video sequences occurs during the training/validation/test data partition.

연구 동기 및 목표

• 조기 대장암 탐지를 돕기 위한 자동 폴립 분할의 동기를 부여한다.
• FCBFormer 프레임워크에 SwinV2 Transformer-UNET을 통합하여 분할 성능을 향상시킨다.
• 벤치마크 데이터셋에서 일반화 및 데이터 분할 무결성을 평가한다.

제안 방법

• FCBFormer의 트랜스포머 아키텍처를 SwinV2 Transformer-UNET으로 교체한다.
• 완전 합성곱 신경망(FCN) 구성요소에 경미한 수정을 적용한다.
• Kvasir-SEG 및 CVC-ClinicDB 데이터셋에서 모델을 평가한다.
• 데이터 간 일반화 테스트를 수행하고 평가에서의 데이터 누수 우려를 논의한다.

실험 결과

연구 질문

• RQ1 SwinV2 Transformer-UNET 통합이 원래의 FCBFormer보다 폴립 분할 성능을 향상시킬 수 있는가?
• RQ2 FCB-SwinV2 Transformer가 표준 내시경 분할 벤치마크 전반에 걸쳐 일반화되는가?
• RQ3 CVC-ClinicDB에서 보고된 성능에 영향을 미치는 평가상의 함정(예: 데이터 누수)은 무엇인가?
• RQ4 작은 FCN 수정이 이 작업에서 트랜스포머 기반 분할과 어떻게 상호 작용하는가?

주요 결과

• FCB-SwinV2 Transformer는 테스트 벤치마크에서 기존 접근법보다 일관되게 더 높은 mDice 점수를 달성한다.
• 제시된 지표에 따르면 모델은 Kvasir-SEG 및 CVC-ClinicDB에서 최첨단 성능을 보여준다.
• 일반화 시험은 데이터셋 간에 견고한 성능을 지지한다.
• 본 연구는 평가 이슈를 식별하고 CVC-ClinicDB 평가에서의 잠재적 데이터 누수를 포함해 논의한다.