ResUNet++、条件付きランダムフィールドおよびテスト時増強を用いた結腸直腸ポリープセグメンテーションに関する包括的研究

大腸内視鏡検査は、大腸がんおよびその前駆病変の検出において、現在のところ金標準とされている。しかし、既存の検査手法には全体的な見逃し率が高く、多くの異常が検出されないという課題がある。先進的な機械学習アルゴリズムを基盤とするコンピュータ支援診断（CAD）システムは、内視鏡検査中に医師が見落としがちな領域を同定し、病変の検出および特性評価を支援する画期的な技術として注目されている。これまでの研究において、我々はResUNet++アーキテクチャを提案し、従来のU-NetおよびResUNetと比較してより効率的な結果を示すことを実証した。本論文では、条件付きランダムフィールド（CRF）とテスト時増強（TTA）を用いることで、ResUNet++アーキテクチャの全体的な予測性能をさらに向上させられることを示す。広範な評価を実施し、Kvasir-SEG、CVC-ClinicDB、CVC-ColonDB、ETIS-Larib Polyp DB、ASU-Mayo Clinic Colonoscopy Video Database、CVC-VideoClinicDBの6つの公開データセットを用いて性能向上を検証した。さらに、提案するアーキテクチャおよびその導出モデルを他の最先端手法と比較した。ResUNet++の異なる公開ポリープデータセットに対する汎化能力を検証し、実世界での応用可能性を確認するため、広範なクロスデータセット評価を実施した。実験結果から、CRFとTTAの適用が、同一データセットおよびクロスデータセットの両方においてポリープセグメンテーションの性能向上に寄与することが明らかになった。