[논문 리뷰] WCEbleedGen: A wireless capsule endoscopy dataset and its benchmarking for automatic bleeding classification, detection, and segmentation

Palak Handa, Manas Dhir외 5명|arXiv (Cornell University)|2024. 08. 22.

Gastrointestinal Bleeding Diagnosis and TreatmentMedicine인용 수 3

한 줄 요약

이 논문은 자동 출혈 분류, 탐지 및 세분화를 위한 고품질의 개방형 의학적 주석이 부여된 2,618장의 무선 내 endoscopy 프레임을 포함한 WCEbleedGen을 소개한다. 분류, 탐지, 세분화 작업에 각각 9개, 3개, 3개의 딥 러닝 모델을 벤치마킹하였으며, VGG19, YOLOv8n, LinkNet이 가장 뛰어난 성능을 보여, WCE 분석에서의 다중 작업 AI에 새로운 기준을 설정하였다.

ABSTRACT

Computer-based analysis of Wireless Capsule Endoscopy (WCE) is crucial. However, a medically annotated WCE dataset for training and evaluation of automatic classification, detection, and segmentation of bleeding and non-bleeding frames is currently lacking. The present work focused on development of a medically annotated WCE dataset called WCEbleedGen for automatic classification, detection, and segmentation of bleeding and non-bleeding frames. It comprises 2,618 WCE bleeding and non-bleeding frames which were collected from various internet resources and existing WCE datasets. A comprehensive benchmarking and evaluation of the developed dataset was done using nine classification-based, three detection-based, and three segmentation-based deep learning models. The dataset is of high-quality, is class-balanced and contains single and multiple bleeding sites. Overall, our standard benchmark results show that Visual Geometric Group (VGG) 19, You Only Look Once version 8 nano (YOLOv8n), and Link network (Linknet) performed best in automatic classification, detection, and segmentation-based evaluations, respectively. Automatic bleeding diagnosis is crucial for WCE video interpretations. This diverse dataset will aid in developing of real-time, multi-task learning-based innovative solutions for automatic bleeding diagnosis in WCE. The dataset and code are publicly available at https://zenodo.org/records/10156571 and https://github.com/misahub2023/Benchmarking-Codes-of-the-WCEBleedGen-dataset.

연구 동기 및 목표

• 출혈 분류, 탐지, 세분화를 위해 특별히 설계된 의학적 주석이 부여되고 클래스가 균형 잡힌 WCE 데이터셋의 부족을 해결하기 위해.
• 다양한 딥 러닝 모델을 활용해 분류, 탐지, 세분화 작업 전반에 걸쳐 포괄적인 벤치마킹을 수행하기 위해.
• 미래의 자동 WCE 출혈 분석 분야에서의 AI 연구를 위한 표준화된 평가 프레임워크를 수립하기 위해.
• 소화기계 출혈 진단의 임상적 구현을 위한 실시간 다중 작업 학습 시스템 개발을 지원하기 위해.
• 공개된 데이터셋과 코드를 제공함으로써 재현 가능한 연구를 가능하게 하기 위해.

제안 방법

• WCEbleedGen 데이터셋은 인터넷 레포지터리 및 기존의 WCE 데이터셋과 같은 다양한 출처에서 수집되어 이미지의 다양성과 실제 세계의 표현을 확보하였다.
• 데이터셋은 2,618장의 프레임을 포함하며, 각각 1,309장의 출혈 프레임과 1,309장의 비출혈 프레임으로 균형 잡힌 클래스를 가진다. 각 프레임은 클래스 레이블, 바운딩 박스, 이진 마스크로 주석이 부여되었다.
• 분류 작업에는 9개의 딥 러닝 모델, 탐지 작업에는 3개, 세분화 작업에는 3개의 모델을 평가하였으며, 정확도, 정밀도, 재현율, IoU, Dice 계수와 같은 표준 지표를 사용하였다.
• 벤치마킹 과정은 데이터셋에 대한 훈련 및 검증을 포함하며, 일반화 능력을 평가하기 위해 검증 세트와 테스트 세트에서 성능을 평가하였다.
• 모델들은 표준 딥 러닝 프레임워크를 사용하여 훈련 및 평가되었으며, 각 작업의 성능을 최적화하기 위해 초모델 하이퍼파rameter가 조정되었다.
• 데이터셋은 클래스 레이블, 바운딩 박스, 세분화 마스크를 포함한 복합 주석을 제공함으로써 다중 작업 학습을 지원하며, 다양한 작업 간의 통합 학습을 가능하게 한다.

실험 결과

연구 질문

• RQ1 최신의 딥 러닝 모델들이 새로 촬영한 의학적 주석이 부여된 데이터셋을 사용하여 WCE 프레임의 출혈 및 비출혈을 분류하는 데에 어떤 성능을 보이는가?
• RQ2 다양한 탐지 모델들은 WCE 프레임 내 출혈 영역을 국소화하는 데에 어떻게 성능을 내며, 어떤 아키텍처가 가장 높은 국소화 정확도를 달성하는가?
• RQ3 어느 세분화 모델이 진정한 출혈 영역과 가장 높은 겹침을 보이며, 다양한 출혈의 형태와 강도에 대해 어떻게 일반화되는가?
• RQ4 제안된 데이터셋은 향후 WCE 출혈 분석을 위한 AI 모델의 신뢰할 수 있는 벤치마크로 기능할 수 있는가? 기존 데이터셋과 비교해 품질과 주석의 완전성 측면에서 어떤가?
• RQ5 현재의 AI 모델들이 출혈 탐지에서 가지는 주요 한계는 무엇이며, 보다 나은 아키텍처 설계나 데이터 증강 기법을 통해 어떻게 개선될 수 있는가?

주요 결과

• VGG19는 강력한 정확도, 정밀도 및 재현율을 기록하여, 화면 수준의 이진 분류 작업에서 가장 뛰어난 성능을 보였다.
• YOLOv8n은 다른 탐지 모델들보다 뛰어난 정밀도와 재현율의 균형을 확보하여, 다양한 프레임에서 출혈 영역을 국소화하는 데에 최고의 성능을 보였다.
• LinkNet은 높은 IoU 및 Dice 계수 값을 기록하여, 뛰어난 경계 국소화 및 영역 겹침을 보이며 최고의 세분화 성능을 보였다.
• SegNet은 높은 픽셀 수준의 분류 정확도를 보였지만 경계 정의가 떨어져 정확도가 떨어지는 경계로 인해 낮은 IoU 및 Dice 점수를 기록하였다.
• 벤치마킹 결과는 분류 및 탐지 지표는 중간 수준이었지만, 세분화 성능는 매우 뛰어났으며, 특히 LinkNet의 경우 임상적 구현 가능성을 시사하였다.
• 이 데이터셋과 코드는 Auto-WCEBleedGen 챌린지에서 활발히 사용되어 연구 공동체 내에서의 유용성과 재현 가능성에 대한 확인을 받았다.