[논문 리뷰] Superpixels Based Segmentation and SVM Based Classification Method to Distinguish Five Diseases from Normal Regions in Wireless Capsule Endoscopy

Omid Haji Maghsoudi|arXiv (Cornell University)|2017. 11. 17.

Gastrointestinal Bleeding Diagnosis and Treatment참고 문헌 26인용 수 3

한 줄 요약

이 논문은 와이파이 캡슐 내 endoscopy(WCE) 영상에서 출혈, 크론병, 림프관확장증, 색소변, 림프구비비대증의 다섯 가지 소화기 질환을 초분할 기반 분할 및 SVM 분류 방법을 통해 탐지하기 위한 방법을 제안한다. SLIC와 빠른 이동(QS) 초분할을 사용하여 색상 및 무늬 특징을 추출하고 SVM 분류를 적용하여 92–94%의 정확도, 91–95%의 특이도, 88–93%의 민감도를 달성하였으며, SLIC는 QS보다 유의하게 빠른 처리 속도를 보였다.

ABSTRACT

Wireless Capsule Endoscopy (WCE) is relatively a new technology to examine the entire GI trace. During an examination, it captures more than 55,000 frames. Reviewing all these images is time-consuming and prone to human error. It has been a challenge to develop intelligent methods assisting physicians to review the frames. The WCE frames are captured in 8-bit color depths which provides enough a color range to detect abnormalities. Here, superpixel based methods are proposed to segment five diseases including: bleeding, Crohn's disease, Lymphangiectasia, Xanthoma, and Lymphoid hyperplasia. Two superpixels methods are compared to provide semantic segmentation of these prolific diseases: simple linear iterative clustering (SLIC) and quick shift (QS). The segmented superpixels were classified into two classes (normal and abnormal) by support vector machine (SVM) using texture and color features. For both superpixel methods, the accuracy, specificity, sensitivity, and precision (SLIC, QS) were around 92%, 93%, 93%, and 88%, respectively. However, SLIC was dramatically faster than QS.

연구 동기 및 목표

• WCE 영상에서 다섯 가지 특정 소화기 질환을 자동으로 탐지하기 위한 방법을 개발하기 위해.
• 한 건당 약 55,000장의 WCE 프레임을 수작업으로 검토하는 데 소요되는 시간과 오류를 해결하기 위해.
• 초분할 기반 분할 및 SVM 분류를 활용하여 질환 탐지 정확도를 향상시키기 위해.
• 임상 영상 분할에서 SLIC와 빠른 이동(QS) 초분할 알고리즘의 성능 및 효율성을 비교하기 위해.

제안 방법

• 공간적으로 일관된 영역을 그룹화하기 위해 SLIC와 빠른 이동(QS) 초분할을 사용하여 초분할 분할을 수행한다.
• 분할된 초분할 영역에서 색상 및 무늬 특징을 추출하여 분류에 활용한다.
• 추출된 특징을 바탕으로 지원 벡터 기반 기계학습(SVM)을 적용하여 정상 또는 비정상 영역으로 분류한다.
• HSI 및 RGB 색상 공간과 함께 Haralick, Gabor, Law의 무늬 특징를 사용하여 특징 추출을 수행한다.
• 다양한 초분할 수를 기반으로 정확도, 특이도, 민감도, 정밀도 등의 지표를 사용하여 성능을 평가한다.
• SLIC와 QS의 분할 속도, 정확도, 질병 유형에 따른 강인성 측면에서 비교 분석을 수행한다.

실험 결과

연구 질문

• RQ1 SLIC와 QS 초분할 방법은 WCE 영상에서 다섯 가지 특정 소화기 질환의 분할에 얼마나 효과적인가?
• RQ2 초분할 수를 변화시켰을 때, 다양한 질병에 대한 분류 정확도 및 민감도에 어떤 영향을 미치는가?
• RQ3 기존의 프레임 기반 및 픽셀 기반 접근 방식과 비교해 볼 때, 제안된 방법의 탐지 성능은 어떠한가?
• RQ4 정확도와 계산 효율성의 균형을 고려할 때, SLIC와 QS 중 어느 초분할 알고리즘이 더 나은 성능을 보이는가?
• RQ5 초분할 기반 분할은 출혈(큰 영역)과 같은 넓은 영역을 차지하는 질환과 비교해 작은 영역을 차지하는 xanthoma와 같은 질환의 탐지에 개선 효과를 줄 수 있는가?

주요 결과

• SLIC와 QS 초분할 방법은 다섯 가지 WCE 질환의 분류에서 92–94%의 정확도, 91–95%의 특이도, 88–93%의 민감도를 달성하였다.
• SLIC는 프레임당 0.7초의 유의미하게 빠른 처리 시간을 보였고, QS는 더 느리고 파라미터에 민감한 경향을 보였다.
• 큰 영역을 차지하는 질환(예: 출혈, 크론병, 림프구비비대증)의 경우 초분할 수가 100개를 초과하면 과분할로 인해 성능이 저하되었다.
• 작은 병변(예: 림프관확장증, 색소변)의 경우 높은 초분할 수에서 성능이 향상되어 작은 병변의 해상도가 향상됨을 시사하였다.
• SLIC 기반 분류에서는 출혈에 대해 97%의 민감도와 97%의 특이도를 기록하여 이전의 프레임 기반 방법을 초월하였다.
• 기존 방법에 비해 특히 림프구비비대증(93% 민감도, 90% 정밀도)과 크론병(92% 민감도, 84% 정밀도)에서 민감도 및 정밀도 측면에서 뛰어난 성능을 보였다.