[논문 리뷰] Polyp Segmentation in Colonoscopy Images Using Fully Convolutional Network

Mojtaba Akbari, Majid Mohrekesh외 5명|arXiv (Cornell University)|2018. 02. 01.

Colorectal Cancer Screening and Detection인용 수 135

한 줄 요약

이 연구는 대장경 이미지에서 폴립 분할을 위한 CNN 기반 방법을 제시하며, 분할 정확도를 개선하기 위한 새로운 학습 패치 선택 전략과 확률 맵의 이후 처리(post-processing)를 특징으로 하여 CVC-ColonDB 데이터셋에서의 성능을 향상시킨다.

ABSTRACT

Colorectal cancer is a one of the highest causes of cancer-related death, especially in men. Polyps are one of the main causes of colorectal cancer and early diagnosis of polyps by colonoscopy could result in successful treatment. Diagnosis of polyps in colonoscopy videos is a challenging task due to variations in the size and shape of polyps. In this paper we proposed a polyp segmentation method based on convolutional neural network. Performance of the method is enhanced by two strategies. First, we perform a novel image patch selection method in the training phase of the network. Second, in the test phase, we perform an effective post processing on the probability map that is produced by the network. Evaluation of the proposed method using the CVC-ColonDB database shows that our proposed method achieves more accurate results in comparison with previous colonoscopy video-segmentation methods.

연구 동기 및 목표

• 대장경에서 정확한 폴립 분할의 필요성을 제기하여 대장암의 조기 발견을 돕는다.
• 대장경 이미지에서 폴립 분할에 특화된 컨볼루션 신경망(CNN) 접근법을 개발한다.
• 학습을 향상시키기 위한 새로운 학습 패치 선택 방법을 도입한다.
• 네트워크 확률 맵에 대한 후처리를 적용하여 최종 분할을 향상시킨다.
• 표준 데이터셋에서 이전의 대장경 비디오 분할 기법과 방법을 비교 평가한다.

제안 방법

• 대장경 이미지에서 폴립 분할에 CNN을 사용한다.
• 학습 효율성과 성능을 향상시키기 위한 새로운 이미지 패치 선택 방법을 학습 중에 제안한다.
• 테스트 중 네트워크가 생성한 확률 맵에 효과적인 후처리를 적용하여 분할을 정제한다.
• CVC-ColonDB 데이터베이스에서 이 접근법을 평가하고 이전 방법들과 비교한다.

실험 결과

연구 질문

• RQ1 CNN 기반 프레임워크가 이전 방법들보다 대장경 이미지에서 폴립의 분할 정확도를 더 높일 수 있는가?
• RQ2 학습 중 표적화된 이미지 패치 선택이 분할 성능을 향상시키는가?
• RQ3 테스트 시 확률 맵의 후처리가 최종 분할 결과를 향상시키는가?

주요 결과

• 제안된 방법은 CVC-ColonDB에서 이전 대장경 비디오 분할 방법들보다 더 정확한 결과를 얻는다.
• 새로운 이미지 패치 선택 전략으로 학습 효과가 향상된다.
• 테스트 중 네트워크 확률 맵의 후처리가 분할 결과 향상에 기여한다.