[논문 리뷰] Medico Multimedia Task at MediaEval 2020: Automatic Polyp Segmentation

Debesh Jha, Steven A. Hicks외 6명|arXiv (Cornell University)|2020. 12. 30.

Colorectal Cancer Screening and Detection참고 문헌 16인용 수 15

한 줄 요약

이 논문은 2020년도 메디코 멀티미디어 챌린지에서 자동 폴립 세그멘테이션을 제안하며, 훈련을 위한 공개된 Kvasir-SEG 데이터셋과 평가를 위한 새로운 미사용 테스트 세트를 사용하는 벤치마크를 소개한다. mIoU와 FPS를 사용해 세그멘테이션 모델을 평가하여 내시경 임상 적용을 위한 강건하고 정확하며 효율적인 알고리즘을 촉진한다. 이는 폴립 누락률을 감소시키기 위함이다.

ABSTRACT

Colorectal cancer is the third most common cause of cancer worldwide. According to Global cancer statistics 2018, the incidence of colorectal cancer is increasing in both developing and developed countries. Early detection of colon anomalies such as polyps is important for cancer prevention, and automatic polyp segmentation can play a crucial role for this. Regardless of the recent advancement in early detection and treatment options, the estimated polyp miss rate is still around 20\%. Support via an automated computer-aided diagnosis system could be one of the potential solutions for the overlooked polyps. Such detection systems can help low-cost design solutions and save doctors time, which they could for example use to perform more patient examinations. In this paper, we introduce the 2020 Medico challenge, provide some information on related work and the dataset, describe the task and evaluation metrics, and discuss the necessity of organizing the Medico challenge.

연구 동기 및 목표

• 표준화되고 공개된 데이터셋을 사용하여 최신 컴퓨터 비전 및 머신러닝 알고리즘의 자동 폴립 세그멘테이션 성능을 비교 평가하기 위함.
• 내시경에서 20%의 폴립 누락률을 감소시키기 위해 폴립 탐지 시스템의 정확성과 효율성을 향상시키기 위함.
• 새로운, 미사용된 테스트 세트를 포함한 공동 벤치마크를 통해 재현 가능하고 개방적이며 일반화 가능한 방법을 촉진하기 위함.
• 임상 적용 가능성 평가를 위해 세그멘테이션 성능(mIoU)과 실시간 처리 속도(FPS)를 모두 평가하기 위함.
• 조기 대장암 검출을 위한 임상 수준의 컴퓨터 지원 진단(CADx) 시스템 개발을 지원하기 위함.

제안 방법

• 참가자들은 지도 마스크가 있는 1,000장의 폴립 이미지를 포함한 Kvasir-SEG 데이터셋을 사용해 모델을 훈련시켰다.
• 일관성 있는 일반화를 확보하기 위해 별도의, 사전에 보지 못한 160장의 폴립 이미지 테스트 세트를 사용해 벤치마크를 수행했다.
• 세그멘테이션 성능 평가에는 평균 교차율(Intersection over Union, mIoU)을 사용하였고, mIoU 값이 동일한 경우의 타이브레이크로는 덱스 스코어(Dice Similarity Coefficient, DSC)를 사용했다.
• 속도 효율성은 NVIDIA GeForce GTX 1080 시스템에서 도커 기반 구현을 사용해 프레임당 초수(FPS)로 측정했다.
• 실시간 임상 적용을 지원하기 위해 높은 정확성과 실시간 성능을 동시에 강조했다.
• 참가자들은 테스트 이미지의 해상도와 일치하는 예측 세그멘테이션 마스크를 압축 파일(zip 파일) 형태로 제출했다.

실험 결과

연구 질문

• RQ1 다양한 내시경 이미지에서 다양한 딥러닝 모델이 mIoU와 FPS 측면에서 폴립 세그멘테이션 성능을 어떻게 발휘하는가?
• RQ2 모델의 효율성은 실시간 내시경에서 임상 적용에 어떤 영향을 미치는가?
• RQ3 Kvasir-SEG에서 훈련된 모델의 일반화 성능은 새로운, 실제 환경의 폴립 이미지에 대해 어떻게 전이되는가?
• RQ4 자동화된 시스템은 인간 내시경 전문의에 비해 폴립 누락률을 얼마나 감소시킬 수 있는가?
• RQ5 폴립 탐지 모델에서 세그멘테이션 정확도와 추론 속도 사이의 상충 관계는 어느 정도인가?

주요 결과

• 메디코 2020 챌린지는 새로운, 사전에 보지 못한 160장의 폴립 이미지 테스트 세트를 사용하여 표준화된 벤치마크를 제공했다.
• 주요 평가 지표는 mIoU였고, mIoU 값이 동일한 경우 타이브레이크로 DSC를 사용했다.
• 실시간 성능을 강조하여, GTX 1080 GPU에서 도커 기반 배포를 사용해 FPS 기반 평가를 요구했다.
• 훈련에 Kvasir-SEG 데이터셋을 사용하였으며, 임상 내시경에서 수집된 픽셀 수준의 애너테이션을 포함한 1,000장의 폴립 이미지가 포함되어 있었다.
• 임상 통합을 위해 높은 정확도(mIoU)와 낮은 추론 지연(FPS)을 동시에 확보하는 것이 중요하다는 점이 강조되었다.
• 이 챌린지는 재현 가능한 연구를 지원하며, 폴립 누락률을 감소시키기 위한 CADx 시스템 개발을 가속화하는 데 목적이 있다.