[논문 리뷰] Feature Based Framework to Detect Diseases, Tumor, and Bleeding in Wireless Capsule Endoscopy

Omid Haji Maghsoudi, Mahdi Alizadeh|arXiv (Cornell University)|2018. 01. 27.

Gastrointestinal Bleeding Diagnosis and Treatment참고 문헌 3인용 수 3

한 줄 요약

이 논문은 무선 캡슐 내 endoscopy(WCE) 영상 프레임에서 종양, 출혈 및 기타 소화기계 이상을 자동으로 탐지하기 위한 기능 기반 프레임워크를 제안한다. 색상, 질감 및 기하학적 특징의 조합을 사용하며, 분할된 영역에 SVM 및 신경망 분류기를 적용하여, 영상 기반 분석에서 종양 탐지에 대해 100% 민감도를 달성했고, 픽셀 기반 분할에서 출혈 탐지에 대해 97% 민감도를 기록하였다. 이는 다중 기능 분석을 통합함으로써 보다 광범위한 병변 탐지가 가능해져 이전 방법에 비해 크게 향상된 결과이다.

ABSTRACT

Studying animal locomotion improves our understanding of motor control and aids in the treatment of motor impairment. Mice are a premier model of human disease and are the model system of choice for much of basic neuroscience. High frame rates (250 Hz) are needed to quantify the kinematics of these running rodents. Manual tracking, especially for multiple markers, becomes time-consuming and impossible. Therefore, an automated method is necessary. We propose a method to track the paws of the animal in the following manner: first, segmenting all the possible paws based on color; second, classifying the segmented objects using a support vector machine (SVM) and neural network (NN); third, classifying the objects using the kinematic features of the running animal, coupled with texture features from earlier frames; and finally, detecting and handling collisions to assure the correctness of labelled paws. The proposed method is validated in sixty 1,000 frame video sequences (4 seconds) captured by four cameras from five mice. The total sensitivity for tracking of the front and hind paw is 99.70% using the SVM classifier and 99.76% using the NN classifier. In addition, we show the feasibility of 3D reconstruction using the four camera system.

연구 동기 및 목표

• WCE에서 출혈 및 궤양 이외의 다수의 소화기계 이상에 대한 종합적인 자동 탐지 시스템 부족 문제를 해결한다.
• 이전 방법이 단일 기능 유형(예: 색상만)에 의존하고 특정 병변 유형에 국한되어 있어 발생하는 한계를 극복한다.
• 종양, 출혈 및 기타 다섯 가지 질환(예: 크론병, 림프관확장증)을 포함한 세 가지 주요 병변 유형을 탐지할 수 있는 통합 프레임워크를 개발한다.
• 색상, 질감(LBP, GLCM, 고바르), 기하학적 특징을 포함한 다양한 특징을 영상 기반 및 픽셀 기반 분석에서 통합함으로써 탐지 정확도와 내성 향상.
• WCE 영상에서 병변의 정확한 국소화 및 분류를 자동으로 수행함으로써 임상적 유용성을 높이고, 의료진의 검토 시간을 단축시킨다.

제안 방법

• 잠재적 병변을 분리하기 위해 강도 및 색상 기반 임계값을 사용하여 WCE 영상의 이상 영역 후보를 분할한다.
• 다중 스케일 특징 추출: 색상(RGB, HSI, LUV), 질감(LBP, GLCM, 고바르 필터, 레이의 특징), 기하학적 특징(형상, 크기, 방향성).
• 상관관계 및 피셔 스코어를 사용한 특징 선택을 통해 중복을 줄이고 각 병변 유형에 최적의 특징을 선별한다.
• 선택된 특징을 기반으로 영상 기반 분류를 위해 지지 벡터 기반 분류기(SVM)와 신경망(NN)을 훈련 및 평가한다.
• 선택된 질감 및 색상 특징을 사용한 픽셀 기반 분할 방법을 구현하여 영역 내 이상 영역을 국소화하고, 경계를 정제하기 위한 후처리를 실시한다.
• 특히 겹침 또는 가림이 발생하는 영역에서의 추적 및 레이블링의 모호성을 해결하기 위해 충돌 검출 논리를 통합한다.

실험 결과

연구 질문

• RQ1 색상, 질감 및 기하학적 특징을 융합한 다기능 접근 방식이 단일 기능 기반 방법에 비해 WCE에서 다양한 소화기계 이상의 탐지 정확도를 크게 향상시킬 수 있는가?
• RQ2 SVM 및 신경망 분류기가 WCE에서 종양, 출혈 및 기타 병변의 영상 기반 탐지에 적용되었을 때 성능는 어떻게 비교되는가?
• RQ3 픽셀 기반 분할 방법이 출혈 및 종양과 같은 병변 영역을 국소화하는 데 높은 민감도와 특이도를 달성할 수 있는 정도는 어느 정도인가?
• RQ4 제안된 프레임워크는 출혈 및 궤양 이외의 다양한 병변 유형(예: 크론병, 림프구비대증, 콜레스테롤성 종양)에 대해 일반화 가능한가?
• RQ5 이전 프레임의 시간적 운동 특징 및 질감을 통합함으로써 이상 영역 탐지의 내성은 어떻게 향상되는가?

주요 결과

• 영상 기반 방법은 종양 탐지에 대해 100% 민감도를 기록하여 이전 연구에서 보고된 85%에서 88% 사이의 민감도를 크게 초월하였다.
• 출혈 탐지에 대한 픽셀 기반 방법은 97% 민감도, 97% 특이도, 94% 정밀도를 기록하였으며, 이는 이전 연구에서 보고된 낮은 특이도 및 정밀도를 뛰어넘었다.
• 다른 병변(예: 크론병, 림프관확장증) 탐지에 대해 픽셀 기반 방법은 96% 민감도, 93% 특이도, 85% 정밀도를 기록하여 다양한 병변 유형에서 뛰어난 성능을 보였다.
• 특징 선택을 통해 출혈에 대해 입력 특징 수를 110개에서 3개로, 종양에 대해 12개로, 기타 질환에 대해 10개로 감소시켜 정확도를 유지하면서도 계산 효율성을 향상시켰다.
• 색상, 질감 및 기하학적 특징을 통합한 방법은 단일 기능 유형에 의존하는 방법보다 높은 탐지율을 기록하였으며, 다중 모odal 특징 융합의 중요성을 확인하였다.
• 비교 표를 통한 검증을 통해, 이 프레임워크는 영상 기반 및 픽셀 기반 병변 분류에서 기존 방법을 모두 능가하였으며, 다양한 연구에서 민감도 및 특이도 측면에서 뛰어난 성능을 보였다.