[論文レビュー] Y-Net: A deep Convolutional Neural Network for Polyp Detection

Ahmed Mohammed, Sule Yildirim Yayilgan+3 more|arXiv (Cornell University)|Jan 1, 2018

Colorectal Cancer Screening and Detection参考文献 11被引用数 35

ひとこと要約

本論文では、大腸内視鏡動画におけるポリープ検出を目的とした、二重エンコーダー・ワンデコーダーのU-Netにインspiredされた深層学習アーキテクチャ、Y-Netを提案する。本手法は、事前学習済みのVGG19エンコーダーとランダムに初期化されたミラー型エンコーダーを組み合わせ、特徴量学習を向上させるために、新規の和分スキップ連結操作とエンコーダー固有の学習率を用いる。Y-NetはASU-MAYOデータセットで85.9%のF1スコアと84.4%のリコールを達成し、最先端手法よりもF1スコアで7.3%、リコールで13%高い性能を示した。

ABSTRACT

Colorectal polyps are important precursors to colon cancer, the third most common cause of cancer mortality for both men and women. It is a disease where early detection is of crucial importance. Colonoscopy is commonly used for early detection of cancer and precancerous pathology. It is a demanding procedure requiring significant amount of time from specialized physicians and nurses, in addition to a significant miss-rates of polyps by specialists. Automated polyp detection in colonoscopy videos has been demonstrated to be a promising way to handle this problem. {However, polyps detection is a challenging problem due to the availability of limited amount of training data and large appearance variations of polyps. To handle this problem, we propose a novel deep learning method Y-Net that consists of two encoder networks with a decoder network. Our proposed Y-Net method} relies on efficient use of pre-trained and un-trained models with novel sum-skip-concatenation operations. Each of the encoders are trained with encoder specific learning rate along the decoder. Compared with the previous methods employing hand-crafted features or 2-D/3-D convolutional neural network, our approach outperforms state-of-the-art methods for polyp detection with 7.3% F1-score and 13% recall improvement.

研究の動機と目的

• 限られたアノテーション付き学習データと高い外観変動の影響による大腸内視鏡におけるポリープ検出精度の低さという課題に対処すること。
• 事前学習済みおよび未学習のエンコーダーネットワークを併用することで、ポリープ検出の性能を向上させること。
• 特徴量統合のための新規の和分スキップ連結機構を導入することで、誤検出と誤検出を低減させること。
• 広範なデータ拡張に依存せずに、ポリープ検出における高いリコールと精度を達成すること。
• 実際の大腸内視鏡動画における多様なポリープの形状・サイズ・テクスチャに一般化できる実用的な深層学習フレームワークを開発すること。

提案手法

• Y-Netは、U-Netにインspiredされた二重エンコーダー・ワンデコーダーのアーキテクチャを採用しており、一方のエンコーダーは事前学習済みのVGG19、もう一方はランダムに初期化されたミラー型ネットワークである。
• モデルは、デコーダーに渡す前に両エンコーダーからの特徴量を統合するために、新規の和分スキップ連結操作を用いる。これにより、より深く、より強固な特徴量学習が可能になる。
• トレーニング中にエンコーダー固有の学習率を適用する：事前学習済みエンコーダーは低い学習率でファインチューニングされ、未学習エンコーダーは高い学習率でスクラッチからトレーニングされる。
• デコーダーは、ポリープの局所化とセグメンテーションを最適化するための識別的損失関数を用いてスクラッチからトレーニングされる。
• フレームワークは、広範なデータ拡張を避けており、限られた学習データから一般化できるように、アーキテクチャの革新に依存している。
• モデルはASU-MAYOポリープ検出データセット上でエンドツーエンドにトレーニングされ、テスト動画での推論により検出遅延とセグメンテーション精度を評価する。

実験結果

リサーチクエスチョン

• RQ1 事前学習済みと未学習のネットワークを組み合わせた二重エンコーダーアーキテクチャが、限られた医療データセット上でのポリープ検出性能を向上させることができるか？
• RQ2 提案された和分スキップ連結操作は、標準的なスキップ接続と比較して、特徴表現とセグメンテーション精度を向上させるか？
• RQ3 エンコーダー固有の学習率スケジューリングが、ポリープ検出におけるモデルの収束と性能に与える影響は何か？
• RQ4 Y-Netは、データ拡張に依存せずに、最先端手法よりも高いリコールとF1スコアを達成できるか？
• RQ5 Y-Netは、リアルタイムの大腸内視鏡動画シーケンスにおいて、どの程度の検出遅延を示すか？

主な発見

• Y-NetはASU-MAYOデータセットで85.9%のF1スコアを達成し、前回の最先端手法よりも7.3%高い性能を示した。
• モデルは84.4%のリコールを記録し、前回の最先端手法よりも13%高い。これは、真のポリープインスタンスの検出能力が著しく向上していることを示している。
• Y-Netは、ASU-MAYOデータセットにおいて、全比較手法の中で真陽性数（3582）が最多で、偽陰性数（662）が最少であった。
• モデルは、すべてのポリープを含むテスト動画で8フレーム以内の検出遅延を示しており、リアルタイム適用可能性が裏付けられた。
• 事前学習済みのVGG19エンコーダーとランダムに初期化されたミラー型エンコーダーを組み合わせ、和分スキップ連結を適用したアーキテクチャが、単一エンコーダーのU-Net変種やハイブリッドなハンドクラフト特徴量手法を上回る性能を発揮した。
• アブレーションスタディの結果、事前学習済みエンコーダーと未学習エンコーダーの融合が、精度とリコールのバランスを最良に保つことができ、事前学習済みエンコーダーのみ、またはランダムに初期化されたエンコーダーのみのモデルを上回った。