[論文レビュー] A Dense CNN approach for skin lesion classification

Pierluigi Carcagnì, Andrea Cuna+1 more|arXiv (Cornell University)|Jul 17, 2018

Cutaneous Melanoma Detection and Management参考文献 3被引用数 4

ひとこと要約

本論文では、皮膚腫瘍の皮膚鏡画像から7種類の皮膚病変を分類するための、61層のDenseNetベースのCNNと、センター損失を正則化としたトレーニング戦略を提案する。ISIC 2018データセット上で事前学習済みのDenseNet-121を微調整し、ソフトマックス損失とセンター損失を組み合わせた損失関数（λ = 0.8）を用いることで、検証精度89.2％を達成し、特徴の区別能が向上し、メラノーマおよび良性病変の分類において優れた性能を示した。

ABSTRACT

This article presents a Deep CNN, based on the DenseNet architecture jointly with a highly discriminating learning methodology, in order to classify seven kinds of skin lesions: Melanoma, Melanocytic nevus, Basal cell carcinoma, Actinic keratosis / Bowen's disease, Benign keratosis, Dermatofibroma, Vascular lesion. In particular a 61 layers DenseNet, pre-trained on IMAGENET dataset, has been fine-tuned on ISIC 2018 Task 3 Challenge Dataset exploiting a Center Loss function.

研究の動機と目的

• 皮膚鏡画像における7種類の皮膚病変の自動分類を目的としたディープラーニングモデルの開発。
• センター損失正則化技術を用いて皮膚病変分類における特徴の区別能を向上させること。
• 複雑な事前処理を伴わず、ISIC 2018チャレンジタスク3データセットで高い性能を達成すること。
• 微調整されたDenseNetアーキテクチャにおいて、ソフトマックス損失とセンター損失を組み合わせることの有効性を評価すること。
• データ増強およびトレーニング戦略が、不均衡な皮膚病変データセットにおけるモデルの一般化性能に与える影響を調査すること。

提案手法

• 4つの結合ブロックを3つに削減し、3番目の結合ブロックの後に切断することで、61層のDenseNet-121の変種を構築した。これにより、最終的な結合ブロックが48層ではなく22層となった。
• ネットワークはImageNetで事前学習済みの重みで初期化され、確率的勾配降下法（SGD）を用いてISIC 2018チャレンジデータセット上で微調整された。ベース学習率は0.01、重み減衰は0.0001、モーメンタムは0.9とした。
• ハイブリッド損失関数が採用され、交差エントロピーのソフトマックス損失（L_s）とセンター損失（L_c）が組み合わされ、内挿クラスの緊密さと外挿クラスの分離を最適化するための調整ハイパーパrameter λ = 0.8 を使用した。
• クラスの分布をバランスさせるために、幾何変換（回転、反転、アフィン変換）を用いたデータ増強が適用された。
• 入力画像は正方形に切り抜かれ、224×224ピクセルにリサイズされ、ネットワークの入力要件を満たした。
• 最終的な全結合層はトレーニングから始め、微調整の間はそれより前のすべての層は固定された。

実験結果

リサーチクエスチョン

• RQ1 センター損失正則化を施したDenseNetベースのCNNは、多様な皮膚病変タイプの分類精度を向上させることができるか？
• RQ2 ソフトマックス損失とセンター損失の組み合わせは、皮膚病変分類における特徴クラスタリングとクラス間分離にどのように影響するか？
• RQ3 データ増強は、不均衡な皮膚病変データセットにおける性能向上にどの程度寄与するか？
• RQ4 皮膚鏡画像上で事前学習済みDenseNetを微調整することで、複雑な事前処理を伴わず高い性能が得られるか？
• RQ5 皮膚病変診断における検証精度を最大化するための、ソフトマックス損失とセンター損失の最適なバランスは何か？

主な発見

• 提案モデルは、ISIC 2018タスク3データセットで全体の検証精度89.2％を達成し、すべての病変タイプで優れた性能を示した。
• λ = 0.8でセンター損失を使用したことで、内挿クラスの緊密さが顕著に向上し、モデルの区別能が向上した。
• データ増強後、トレーニングセットには295,375枚の画像、テストセットには74,004枚の画像が含まれ、7種類すべての病変タイプでバランスの取れたクラス分布が得られた。
• 画像リサイズと増強のみに依存する最小限の事前処理で、高い性能が達成された。
• 61層で3つの結合ブロックを持つ最終的なネットワーク構造は、皮膚鏡画像からの階層的特徴の抽出に効果的であった。
• 結果から、センター損失正則化は、限られたかつ不均衡なデータを伴う医療画像分類タスクにおいて特に有効であると考えられる。