[论文解读] The Effectiveness of Data Augmentation for Detection of Gastrointestinal Diseases from Endoscopical Images

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

Colorectal Cancer Screening and Detection被引用 5

一句话总结

本研究证明，数据增强显著提升了在Kvasir数据集上使用深度学习进行胃肠道疾病检测的性能。通过在小型公开数据集上结合迁移学习与标准增强技术（如旋转、缩放和颜色抖动），作者实现了91.5%的精确率、召回率、F1分数和准确率的最先进结果，微平均指标优于先前方法。

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.

研究动机与目标

• 解决由于隐私限制导致的胃肠道疾病检测公开医疗数据集有限的问题。
• 探究数据增强是否能有效弥补小样本数据集在基于深度学习的内镜图像分类中的不足。
• 通过增强与迁移学习提升在Kvasir数据集上的分类性能，特别是精确率、召回率和F1分数。
• 证明标准增强技术在此类医学影像任务中优于先进的基于GAN的方法。
• 为未来在有限标注数据下进行自动化胃肠道疾病检测研究提供稳健基线。

提出的方法

• 使用在ImageNet上预训练的Inception-v3架构进行特征提取，采用迁移学习。
• 应用标准数据增强技术，包括随机旋转、缩放、裁剪、颜色抖动和水平翻转，以增加训练数据的多样性。
• 在冻结的特征提取器之上训练全连接分类头，使用分类交叉熵损失。
• 采用快照集成方法以提升模型在训练各阶段的泛化能力与鲁棒性。
• 使用标准分层划分将Kvasir数据集划分为训练集与测试集，以确保类别平衡。
• 通过微平均精确率、召回率、F1分数和Matthews相关系数（MCC）评估性能。

实验结果

研究问题

• RQ1 在像Kvasir这样的小型医学影像数据集上，数据增强是否能显著提升胃肠道疾病检测的分类性能？
• RQ2 在Kvasir数据集上，采用数据增强的深度学习模型性能与先前最先进方法相比如何？
• RQ3 哪些数据增强技术在内镜图像分类中对精确率、召回率和F1分数的提升最为有效？
• RQ4 模型的主要误分类来源是什么？是否可通过数据或网络结构改进加以缓解？
• RQ5 在本任务中，迁移学习与增强结合的方法相较于未增强或非迁移学习模型，优势有多大？

主要发现

• 所提出方法在Kvasir数据集上实现了91.5%的微平均F1分数、91.5%的精确率、91.5%的召回率和91.5%的准确率。
• 该模型在所有指标上均优于先前方法，尤其在F1分数和MCC方面表现更优。
• 对正常回盲部和正常幽门的分类准确率最高，表明在结构清晰的解剖部位表现优异。
• 误分类主要发生在染色抬高息肉与染色切除边缘之间，原因在于蓝色染色的视觉相似性。
• 观察到正常Z线与食管炎之间的混淆，可能源于低度炎症下细微的视觉差异。
• 结果表明，增加模糊类别（尤其是染色息肉、切除边缘和Z线）的训练数据可进一步提升性能。