[論文レビュー] A CNN toolbox for skin cancer classification

Fabrizio Nunnari, Daniel Sonntag|arXiv (Cornell University)|Aug 21, 2019

Cutaneous Melanoma Detection and Management参考文献 21被引用数 11

ひとこと要約

本論文は、スプレッドシートベースのインターフェースを用いて、開発者および非技術的ユーザーが迅速に深層学習モデルをプロトタイプ化・チューニングできる、設定可能なCNNツールボックスを提示する。本研究では、小規模なデータセットと中程度の増幅処理を用いても高い性能（AUC 0.862）を達成できることを示しており、最先端の手法と比較して計算リソースを削減しながら、ベンチマークテストセットにおいて皮膚科医を上回る性能を発揮した。

ABSTRACT

We describe a software toolbox for the configuration of deep neural networks in the domain of skin cancer classification. The implemented software architecture allows developers to quickly set up new convolutional neural network (CNN) architectures and hyper-parameter configurations. At the same time, the user interface, manageable as a simple spreadsheet, allows non-technical users to explore different configuration settings that need to be explored when switching to different data sets. In future versions, meta leaning frameworks can be added, or AutoML systems that continuously improve over time. Preliminary results, conducted with two CNNs in the context melanoma detection on dermoscopic images, quantify the impact of image augmentation, image resolution, and rescaling filter on the overall detection performance and training time.

研究の動機と目的

• 異なるデータセット、アーキテクチャ、ハイパーパrameterを用いた皮膚がん分類モデル間の比較可能性の欠如を是正すること。
• 新しいデータセットが利用可能になった際、非技術的皮膚科医がモデル設定を探索できるユーザーフレンドリーなインターフェースを提供すること。
• 画像増幅、解像度、セグメンテーションや色彩空間変換などの前処理技術の体系的探索を可能とすること。
• モジュラーよりも拡張性のあるソフトウェアアーキテクチャを採用し、開発者と実務家双方を支援すること。
• 大規模な事前学習に依存しないようにするために、限られたデータと最適化されたハイパーパrameterを用いた性能評価を行うこと。

提案手法

• ツールボックスは、CNNアーキテクチャ、データセットパス、増幅ポリシー、ハイパーパramータなどを定義するスプレッドシート形式（CSV）を入力形式として採用している。
• 画像は、ホットフラップ、回転、明るさ／彩度の変更、色彩空間変換（RGB、HSV、LAB、YCbCr）を含む、リアルタイムでの増幅処理を経て処理される。
• リサイズフィルタ（最近傍、バイリニア、バイキュービック、ランツォス）を用いて画像解像度を標準化し、セグメンテーションおよびマスク拡張のオプションも提供する。
• システムは、バイナリ分類、マルチクラス確率出力、およびCNN（例：VGG16、SC19）を用いたピクセル単位のセグメンテーションマスクをサポートする。
• ハイパーパラメータチューニングは、データ入力、前処理、増幅、トレーニングの各ステージを分離するモジュラーパイプラインによって促進される。
• 今後の拡張として、メタラーニングおよびAutoMLシステムの統合により、継続的なモデル改善を図る予定である。

実験結果

リサーチクエスチョン

• RQ1 標準化され、ユーザーがアクセス可能なツールボックスは、異なるデータセットやアーキテクチャ間での皮膚がん分類モデルの再現性および比較可能性を向上させることができるか？
• RQ2 画像解像度、増幅レベル、リサイズフィルタの選択が、皮膚画像分析における分類性能およびトレーニング時間にどのように影響するか？
• RQ3 最適化されたハイパーパラメータおよび前処理を用いる場合、トランスファー学習をどれほど代替または削減できるか？
• RQ4 セグメンテーションおよびマスク拡張は、皮膚腫瘍検出における分類精度を向上させるか？
• RQ5 非技術的ユーザーは、コーディングを一切行わず、スプレッドシートインターフェースを用いて深層学習の設定を効果的に探索・チューニングできるか？

主な発見

• VGG16を用い、450x450解像度および48倍の増幅（hflip_rot24）を適用した場合、ISIC-2019データセットでAUC 0.862、特異度 0.763、感度 0.798を達成した。
• MClass-Dテストセットにおいて、システムは皮膚科医の性能（AUC 0.671）を上回り、AUC 0.846を達成した。
• 277x277解像度で48倍の増幅を適用した場合、4.5時間未満でトレーニングが完了し、AUC 0.819を達成した。これは、データ量と計算リソースを削減しながらも高い性能を発揮したことを示している。
• 最近傍、バイリニア、バイキュービック、ランツォスの4種類のリサイズフィルタ間で性能に顕著な差は認められず、効率性を考慮するとデフォルトの最近傍法で十分であることが示された。
• ランダム初期化を用いたVGG16モデルは10エポックで収束しなかったことから、このデータセットサイズではImageNet事前学習の必要性が明確になった。
• 増幅を48倍から8倍に減少させたことで、収束が促進され、トレーニング時間が75％短縮された一方で、感度は0.492から0.674に向上した。