[论文解读] Colorectal Polyp Segmentation in the Deep Learning Era: A Comprehensive Survey

Zhenyu Wu, Fengmao Lv+3 more|arXiv (Cornell University)|Jan 22, 2024

Colorectal Cancer Screening and Detection被引用 8

一句话总结

本文对基于深度学习的结直肠息肉分割（CPS）方法在2014年至2023年的研究进行了系统综述，提出了分类体系、数据集、评估指标，并对40个最前沿模型进行了基准分析。

ABSTRACT

Colorectal polyp segmentation (CPS), an essential problem in medical image analysis, has garnered growing research attention. Recently, the deep learning-based model completely overwhelmed traditional methods in the field of CPS, and more and more deep CPS methods have emerged, bringing the CPS into the deep learning era. To help the researchers quickly grasp the main techniques, datasets, evaluation metrics, challenges, and trending of deep CPS, this paper presents a systematic and comprehensive review of deep-learning-based CPS methods from 2014 to 2023, a total of 115 technical papers. In particular, we first provide a comprehensive review of the current deep CPS with a novel taxonomy, including network architectures, level of supervision, and learning paradigm. More specifically, network architectures include eight subcategories, the level of supervision comprises six subcategories, and the learning paradigm encompasses 12 subcategories, totaling 26 subcategories. Then, we provided a comprehensive analysis the characteristics of each dataset, including the number of datasets, annotation types, image resolution, polyp size, contrast values, and polyp location. Following that, we summarized CPS's commonly used evaluation metrics and conducted a detailed analysis of 40 deep SOTA models, including out-of-distribution generalization and attribute-based performance analysis. Finally, we discussed deep learning-based CPS methods' main challenges and opportunities.

研究动机与目标

• 提供对深度 CPS 方法及其从2014到2023年的演变的结构化概述。
• 整理 CPS 中的网络架构、监督水平和学习范式。
• 分析 CPS 数据集和评估指标以基准化性能。
• 总结当前挑战并确定 CPS 研究的潜在方向。
• 帮助进入 CPS 研究的研究人员快速理解并指明未来工作方向。

提出的方法

• 提出一种新颖的分类体系，将深度 CPS 方法分为网络架构、监督水平和学习范式（26 个子类别）。
• 系统性回顾2014年至2023年的115篇 CPS 论文。
• 按标注、分辨率、息肉大小、对比度和位置来表征14个 CPS 数据集。
• 对40个深度 CPS 模型进行基准评测，包括分布外泛化和基于属性的分析。
• 使用 PolypGen 和 SUN-SEG 数据集对方法进行比较，以评估泛化能力和属性性能。
• 讨论 CPS 面临的挑战和机遇，包括可解释性、泛化性、隐私，以及与大型模型的潜在整合。

实验结果

研究问题

• RQ1 定义现代 CPS 方法的核心架构、监督和学习范式模式是什么？
• RQ2 CPS 数据集在标注、分辨率、息肉大小、对比度和位置上有何差异，这些差异如何影响模型性能？
• RQ3 从2014到2023年的深度 CPS 模型格局是怎样的，40个 SOTA 模型在泛化和基于属性的性能上有何比较？
• RQ4 CPS 面临的主要挑战有哪些，哪些未来方向最具前景？
• RQ5 如何在跨多个数据集的标准化开放框架中对 CPS 方法进行基准评估？

主要发现

• 一个全面的分类体系将 CPS 方法在架构、监督和学习范式方面分为26个子类别。
• 该综述覆盖了2014到2023年的115篇深度 CPS 论文，并分析了40个深度 SOTA 模型。
• 讨论了14个 CPS 数据集和12个常见评估指标。
• 分析包括分布外泛化（PolypGen）和基于属性的性能（SUN-SEG）。
• 本文指出了可解释性、泛化、鲁棒性和数据隐私等挑战，并强调了无监督异常定位以及与大型视觉/语言模型整合等机会。