[논문 리뷰] Survey of Computer Vision and Machine Learning in Gastrointestinal Endoscopy

Anant Vemuri|arXiv (Cornell University)|2019. 04. 26.

Colorectal Cancer Screening and Detection참고 문헌 340인용 수 6

한 줄 요약

이 서베이는 딥 러닝 시대 이전의 소화기 내 endoscopy에 응용된 컴퓨터 비전 및 머신러닝 기법을 검토하며, 퇴행성 종양 및 궤양 탐지와 같은 18개의 임상 과제를 분류한다. 전통적인 방법으로는 텍스처 분석, 웨이블릿 변환, SVM 기반 분류를 평가하며, 내시경 영상 분석 과제에서 특징 엔지니어링 및 분류기 성능을 강조한다.

ABSTRACT

This paper attempts to provide the reader a place to begin studying the application of computer vision and machine learning to gastrointestinal (GI) endoscopy. They have been classified into 18 categories. It should be be noted by the reader that this is a review from pre-deep learning era. A lot of deep learning based applications have not been covered in this thesis.

연구 동기 및 목표

• 딥 러닝의 부상 이전에 소화기 내 endoscopy에 적용된 컴퓨터 비전 및 머신러닝 기법에 대한 종합적인 리뷰를 제공하기 위해.
• 퇴행성 종양 탐지, 궤양 식별, 질환 분류와 같은 소화기 내 endoscopy의 18개의 별도 임상 과제를 분류하고 분석하기 위해.
• 전통적인 특징 추출 방법—예를 들어 GLCM, LBP, 고버, 웨이블릿 변환—을 고전적 분류기인 SVM 및 AdaBoost와 함께 사용한 성능 평가하기 위해.
• 임상 의사결정 지원을 위한 내시경 영상 분류에서 색상, 텍스처, 형태 기반 특징의 분류 능력을 평가하기 위해.
• 특히 딥 러닝 이전 시대의 소화기 내 endoscopy 분야의 의료 영상 분석에 진입하는 연구자들에게 기초 자료를 제공하기 위해.

제안 방법

• 퇴행성 종양 탐지, 궤양 탐지, 셀리악 질환 식별과 같은 18개의 별도 과제로 임상 응용을 분류하기.
• 색상, 텍스처(GLCM, LBP, 고버), 형태 기술자(볼록 껍질, 스켈레톤화)와 같은 수작업 특징을 사용한 특징 추출.
• SVM, KNN, AdaBoost, 다층 퍼셉트론과 같은 고전적 머신러닝 분류기를 사용한 분류 과제.
• EMD, EEMD, 이중 차원 경험적 모드 분해와 같은 신호 분해 기법을 사용해 텍스처 분석을 위한 내재 모드 함수 추출.
• 색상 공간(RGB, HSV, CIE Lab), 웨이블릿 도메인 공통 발생 행렬, 다중 해상도 국소 패턴을 포함한 특징 융합 전략을 통해 분류의 강건성 향상.
• 분류기 성능 최적화를 위한 차원 축소 및 특징 선택 기법으로 시뮬레이티드 앤날링 및 LDA 사용.

실험 결과

연구 질문

• RQ1 전통적인 컴퓨터 비전 및 머신러닝 기법은 퇴행성 종양 및 궤양과 같은 소화기 내 병변을 탐지하고 분류하는 데 얼마나 효과적인가?
• RQ2 색상, 텍스처, 형태 중 어떤 영상 특징이 내시경 영상에서 비정상 조직을 분류할 때 가장 높은 분류 능력을 제공하는가?
• RQ3 고버, 웨이블릿, LBP와 같은 다양한 특징 추출 기법이 고전적 분류기와 조합되었을 때 성능 비교는 어떻게 되는가?
• RQ4 EMD 및 EEMD와 같은 신호 분해 기법은 내시경 영상에서 미세한 병리적 텍스처를 탐지하는 데 얼마나 기여하는가?
• RQ5 다양한 색상 공간과 변환 도메인 간 특징 융합이 소화기 내 endoscopy에서 분류 정확도에 미치는 영향은 무엇인가?

주요 결과

• 색상 및 픽셀 위치 기반 특징 기술자에 SVM을 조합하면 효과적인 퇴행성 종양 탐지가 가능하며, 텍스처 및 형태 특징을 통합함으로써 성능 향상이 이루어진다.
• GLCM 및 LBP 특징은 SVM과 함께 사용했을 때 퇴행성 종양 분류에서 뛰어난 성능을 보였으며, 일부 비교 연구에서는 GLCM 기반 텍스처 특징이 LBP를 능가하는 결과를 보였다.
• CoRF 알고리즘은 벡터 양자화에서 블록 선택 문제를 해결함으로써 k-means 및 LGB 군집화보다 퇴행성 종양 탐지 및 분할에서 뛰어난 성능을 보였다.
• 웨이블릿 도메인의 색상 텍스처 특징, 특히 색상 웨이블릿 교차 공통 발생 행렬은 밝기만 고려하는 방법보다 분류 정확도를 향상시켰으며, KNN 분류기와 조합했을 때 특히 효과적이었다.
• 혈관 분할 및 위상적 특징 추출을 통해 퇴행성 종양 분류에 22개의 분류 능력 있는 특징을 도출하였으며, 시뮬레이티드 앤날링이 최적의 특징 선택을 제공하였다.
• RGB, HSV, CIE Lab 다중 색상 공간에서 라쿠나리티 기반 텍스처 특징은 건강한 조직과 병변 조직 간의 구조적 차이를 효과적으로 포착하여 정확한 궤양 탐지에 기여하였다.