[논문 리뷰] RepVGG-GELAN: Enhanced GELAN with VGG-STYLE ConvNets for Brain Tumour Detection

Thennarasi Balakrishnan, Sandeep Singh Sengar|arXiv (Cornell University)|2024. 05. 06.

Brain Tumor Detection and Classification인용 수 4

한 줄 요약

이 논문은 뇌 종양 검출에서 정확도와 효율성을 향상시키기 위해 VGG 스타일의 재구성된 컨볼루션(RepVGG)과 일반화된 효율적 레이어 융합 네트워크(GELAN)를 통합한 YOLO 기반 객체 검출 모델인 RepVGG-GELAN을 제안한다. 이 모델은 의료 영상 데이터셋에서 98.2%의 정밀도와 97.0%의 AP50를 기록하며 RCS-YOLO와 YOLOv8를 능가한다. 연산량은 240.7 GFLOPs이며 파라미터 수는 25.4만 개에 불과하다.

ABSTRACT

Object detection algorithms particularly those based on YOLO have demonstrated remarkable efficiency in balancing speed and accuracy. However, their application in brain tumour detection remains underexplored. This study proposes RepVGG-GELAN, a novel YOLO architecture enhanced with RepVGG, a reparameterized convolutional approach for object detection tasks particularly focusing on brain tumour detection within medical images. RepVGG-GELAN leverages the RepVGG architecture to improve both speed and accuracy in detecting brain tumours. Integrating RepVGG into the YOLO framework aims to achieve a balance between computational efficiency and detection performance. This study includes a spatial pyramid pooling-based Generalized Efficient Layer Aggregation Network (GELAN) architecture which further enhances the capability of RepVGG. Experimental evaluation conducted on a brain tumour dataset demonstrates the effectiveness of RepVGG-GELAN surpassing existing RCS-YOLO in terms of precision and speed. Specifically, RepVGG-GELAN achieves an increased precision of 4.91% and an increased AP50 of 2.54% over the latest existing approach while operating at 240.7 GFLOPs. The proposed RepVGG-GELAN with GELAN architecture presents promising results establishing itself as a state-of-the-art solution for accurate and efficient brain tumour detection in medical images. The implementation code is publicly available at https://github.com/ThensiB/RepVGG-GELAN.

연구 동기 및 목표

• 효율적인 YOLO 기반 객체 검출기의 의료 영상 분석, 특히 뇌 종양 검출에 응용하는 데 미치는 격차를 해소하기 위해.
• 딥러닝을 활용하여 뇌 종양 검출의 정확도와 계산 효율성을 향상시키기 위해.
• 재구성된 컨볼루션 아키텍처인 RepVGG와 GELAN을 통합하여 향상된 특징 추출과 추론 속도를 확보하기 위해.
• 제한된 계산 자원을 가진 임상 환경에서의 구현에 적합한 경량이면서 고성능 모델을 개발하기 위해.

제안 방법

• 추론 시에 여러 컨볼루션 경로를 하나의 등가 컨볼루션으로 통합하는 재구성된 컨볼루션 아키텍처인 RepVGG를 통합한 YOLO 프레임워크를 채택한다.
• 다중 척도 특징 맵 간의 특징 융합과 계층적 표현 학습을 향상시키기 위해 일반화된 효율적 레이어 융합 네트워크(GELAN)를 통합한다.
• 수용성 영역 확장과 척도 변화에 대한 강건성을 향상시키기 위해 GELAN 모듈 내부에 공간 피어리어 풀링(SPP)을 적용한다.
• 앵커 기반 예측을 사용하지 않는 단일 단계 검출 헤드를 사용하며, 클래스 점수에는 시그모이드 활성화 함수를, 바운딩 박스 좌표 회귀 헤드에는 적용한다.
• 추론 시 잔차 유사 블록을 단일 컨볼루션 레이어로 변환하기 위해 구조적 재구성 기법을 적용하여 FLOPs를 감소시키고 추론 속도를 향상시킨다.
• 앵커 박스가 필요 없는 간소화된 다운샘플링 모듈과 최적화된 예측 헤드를 도입하여 모델을 최적화한다.

실험 결과

연구 질문

• RQ1 기존 YOLO 기반 모델과 비교해 볼 때, RepVGG와 GELAN의 통합이 뇌 종양 검출의 정확도와 속도 향상에 기여하는가?
• RQ2 의료 영상 데이터에서 RepVGG-GELAN 아키텍처는 다양한 IoU 임계값에서 정밀도, 재현율 및 mAP의 성능을 어떻게 보이는가?
• RQ3 재구성된 컨볼루션의 사용이 성능 저하 없이 계산 비용을 얼마나 줄이는가?
• RQ4 뇌 종양 검출 맥락에서 상태 기준 모델인 RCS-YOLO와 YOLOv8와 비교해 볼 때, 모델의 파라미터 수와 FLOPs는 어떻게 되는가?
• RQ5 RepVGG 컴포onent이 RepVGG-GELAN 모델의 전체 성능 향상에 기여하는 정도는 어느 정도인가?

주요 결과

• RepVGG-GELAN은 98.2%의 정밀도를 기록하여 기준 모델인 RCS-YOLO 대비 4.91% 향상된 성능을 보였다.
• 모델은 AP50 점수 97.0%를 기록하여 최신 기존 방법 대비 2.54% 향상되었으며, IoU=0.5에서 우수한 국소화 정확도를 입증했다.
• RCS-YOLO 대비 약간의 재현율 감소(89.0% 대비 94.5%)가 있었지만, mAP50:95는 72.3%로 높은 수준을 유지하여 강력한 검출 성능를 확보했다.
• 모델는 240.7 GFLOPs에서 작동하며 파라미터 수는 25.4만 개에 불과하여 높은 계산 효율성을 보이며 실시간 배포에 적합하다.
• 제거 실험 결과, RepVGG 포함 시 정밀도가 GELAN 전용 모델의 96.4%에서 98.2%로 상승하여 가짜 양성 결과 감소에 기여함을 입증했다.
• RepVGG-GELAN은 RCS-YOLO와 YOLOv8를 모두 정밀도와 AP50에서 능가하며, 더 작은 파라미터 수와 낮은 FLOPs를 유지함으로써 뇌 종양 검출 분야에서 최신 기술 수준의 솔루션으로서의 위치를 확립했다.