[논문 리뷰] The Effectiveness of Data Augmentation for Detection of Gastrointestinal Diseases from Endoscopical Images

Andrea Asperti, Claudio Mastronardo|arXiv (Cornell University)|2017. 12. 11.

Colorectal Cancer Screening and Detection인용 수 5

한 줄 요약

이 연구는 Kvasir 데이터셋을 사용하여 내 endoscopic 영상에서 위장관계 질환 탐지에 대한 딥러닝 성능을 크게 향상시키기 위해 데이터 증강 기법이 효과적임을 입증한다. 소규모 공개 데이터셋에서 전이학습과 표준 증강 기법(예: 회전, 스케일링, 색상 왜곡)을 조합함으로써, 저자들은 91.5%의 정밀도, 재현율, F1 점수, 정확도를 기록한 최신 기술 수준의 성능을 달성하였으며, 마이크로 평균 지표에서 이전 방법들을 능가하였다.

ABSTRACT

The lack, due to privacy concerns, of large public databases of medical pathologies is a well-known and major problem, substantially hindering the application of deep learning techniques in this field. In this article, we investigate the possibility to supply to the deficiency in the number of data by means of data augmentation techniques, working on the recent Kvasir dataset of endoscopical images of gastrointestinal diseases. The dataset comprises 4,000 colored images labeled and verified by medical endoscopists, covering a few common pathologies at different anatomical landmarks: Z-line, pylorus and cecum. We show how the application of data augmentation techniques allows to achieve sensible improvements of the classification with respect to previous approaches, both in terms of precision and recall.

연구 동기 및 목표

• 개인정보 보호 제약으로 인해 공개 가능한 의료 데이터셋이 제한적인 위장관계 질환 탐지 문제를 해결하기 위해.
• 작은 데이터셋 크기의 보완으로 딥러닝 기반 내 endoscopic 영상 분류에 있어 데이터 증강 기법이 효과적으로 기여할 수 있는지 조사하기 위해.
• 증강 기법과 전이학습을 활용하여 Kvasir 데이터셋에서 분류 성능(특히 정밀도, 재현율, F1 점수)을 향상시키기 위해.
• 이 의료 영상 작업에서 표준 증강 기법이 고급 GAN 기반 방법보다 더 효과적임을 입증하기 위해.
• 제한된 레이블이 부여된 데이터를 활용한 자동 위장관계 질환 탐지 연구를 위한 강력한 기준 성능을 제공하기 위해.

제안 방법

• ImageNet에서 사전 훈련된 Inception-v3 아키텍처를 사용하여 특징 추출을 위한 전이학습을 수행하였다.
• 랜덤 회전, 스케일링, 자르기, 색상 왜곡, 수평 뒤집기와 같은 표준 데이터 증강 기법을 적용하여 훈련 데이터의 다양성을 증가시켰다.
• 고정된 특징 추출기 위에 완전히 연결된 분류기 헤드를 훈련시켰으며, 이는 분류 손실로 다중 분류 교차 엔트로피 손실을 사용하였다.
• 모델의 일반화 능력과 내구성을 향상시키기 위해 스퍼지닝 앙상블 기법을 활용하였다.
• 클래스 균형을 확보하기 위해 Kvasir 데이터셋을 표준 전략적 분할 방식으로 훈련 세트와 테스트 세트로 나누었다.
• 마이크로 평균 정밀도, 재현율, F1 점수, 그리고 매튜스 상관계수(MCC)를 사용하여 성능을 평가하였다.

실험 결과

연구 질문

• RQ1 Kvasir와 같은 소규모 의료 영상 데이터셋에서 데이터 증강이 위장관계 질환 탐지에 있어 분류 성능을 크게 향상시킬 수 있는가?
• RQ2 이 연구에서 제안한 딥러닝 모델의 성능은 Kvasir 데이터셋에서 이전 최신 기술 수준의 방법들과 비교해 어떻게 되는가?
• RQ3 내 endoscopic 영상 분류에 있어 정밀도, 재현율, F1 점수 향상에 가장 효과적인 데이터 증강 기법은 무엇인가?
• RQ4 모델의 주요 오분류 원인은 무엇이며, 이를 데이터 또는 아키텍처 개선을 통해 완화할 수 있는가?
• RQ5 이 작업에서 전이학습과 증강 기법을 조합한 모델은 증강 없이 또는 전이학습 없이 사용한 모델보다 얼마나 더 뛰어난 성능을 보이는가?

주요 결과

• 제안된 방법은 Kvasir 데이터셋에서 마이크로 평균 F1 점수 91.5%, 정밀도 91.5%, 재현율 91.5%, 정확도 91.5%를 기록하였다.
• 모델은 F1 점수와 MCC 모두에서 이전의 접근 방식(앙상블 모델 및 로지스틱 회귀 포함)을 모두 능가하여 모든 지표에서 뛰어난 성능을 보였다.
• 정상적인 침대부와 정상적인 문부에서 가장 높은 분류 정확도를 기록하여 명확한 해부학적 구조에서 강력한 성능을 보였다.
• 오분류의 주요 원인은 색상이 파란색으로 유사한 도핑된 상피성 떨어진 폴립과 도핑된 절제 부위 사이의 오분류로, 외관상 유사성 때문이었다.
• 정상적인 Z-라인과 식도염 사이의 오분류가 관찰되었으며, 이는 저도의 염증에서 미세한 시각적 차이로 인한 것으로 보였다.
• 이 결과들로부터, 특히 도핑된 폴립, 절제 부위, Z-라인과 같은 모호한 클래스에 대해 훈련 데이터를 늘여주면 성능 향상이 추가로 가능할 것임을 시사한다.