[論文レビュー] A Detection and Segmentation Architecture for Skin Lesion Segmentation on Dermoscopy Images

Chengyao Qian, Ting Liu+5 more|arXiv (Cornell University)|Sep 11, 2018

Cutaneous Melanoma Detection and Management参考文献 6被引用数 19

ひとこと要約

本論文は、皮膚腫瘍の画像における皮膚腫瘍セグメンテーションのための2段階のディーブラーニングアーキテクチャを提示している。この手法は、マスクRCNNによる腫瘍検出と、マルチスケールのアトラス畳み込みとマルチチャネル入力（RGB、HSV、CIELAB）を用いたカスタマイズされたエンコーダデコーダセグメンテーションネットワークを組み合わせるものである。この手法は、ISIC 2018の検証セットで0.846のジャッカードインデックスを達成し、最先端の性能を発揮した。

ABSTRACT

This report summarises our method and validation results for the ISIC Challenge 2018 - Skin Lesion Analysis Towards Melanoma Detection - Task 1: Lesion Segmentation. We present a two-stage method for lesion segmentation with optimised training method and ensemble post-process. Our method achieves state-of-the-art performance on lesion segmentation and we win the first place in ISIC 2018 task1.

研究の動機と目的

• 皮膚腫瘍の画像における皮膚腫瘍セグメンテーションの精度を向上させること、特にサイズが変動し、コントラストが低く、境界が不明瞭な腫瘍に対処すること。
• U-Net や FCN などの1段階セグメンテーションモデルの限界を是正すること、特に極端に大きな腫瘍に対して苦労すること。
• マスクRCNNが医療画像セグメンテーションにおいて抱える欠点、特に曖昧な腫瘍境界や低解像度入力への感受性を克服すること。
• トレーニング中に最適化されたデータオーグメンテーションおよびクロッピング戦略を用いて、モデルのロバスト性を向上させること。
• ISIC 2018チャレンジ・タスク1：腫瘍セグメンテーションで最先端の性能を達成すること。

提案手法

• 2段階パイプラインを用いる：最初にマスクRCNNの領域提案ネットワークで腫瘍の位置を検出し、その後にクロップされた腫瘍領域をセグメンテーションする。
• 拡張率3, 6, 12のドーナツ畳み込み、標準畳み込み（カーネルサイズ3, 5, 7）、および最大プーリング（カーネルサイズ5, 9, 13, 17）を組み合わせた変更版ASPPブロックを用いて、マルチスケールのコンテキストを捉える。
• スケール接続を用いて、拡張されたResNet-101バックボーンからの特徴を統合し、空間的詳細を保持する。
• RGB、HSV、CIELABの3色空間を組み合わせた8チャネル入力を用いることで、腫瘍境界の識別を向上させる。
• トレーニング中に、検出された腫瘍領域をバウンディングボックスの81%から121%の範囲でランダムにクロップすることで、ロバスト性を向上させる。
• テスト時オーグメンテーションとして、入力画像を回転・反転させ、幾何変換を元に戻した予測の平均値を用いる。

実験結果

リサーチクエスチョン

• RQ1 サイズが著しく変動する腫瘍を処理する際、1段階セグメンテーションモデルに比べて2段階の検出・セグメンテーションフレームワークが優れているか？
• RQ2 変更版ASPPブロックによるマルチスケールコンテキストモデリングは、境界が曖昧またはコントラストが低い腫瘍のセグメンテーションをどのように改善するか？
• RQ3 RGBに加えてHSVおよびCIELABのマルチスペクトル色空間入力を用いることで、境界検出の性能がどの程度向上するか？
• RQ4 トレーニング中にクロップされた腫瘍領域をランダムに拡大・収縮させることで、一般化性能とロバスト性が向上するか？
• RQ5 幾何的オーグメンテーションを用いたアンサンブル推論は、挑戦的な皮膚画像におけるセグメンテーション性能をさらに向上させるか？

主な発見

• 提案された2段階手法は、ISIC 2018の検証セットで0.846のジャッカードインデックスを達成し、1段階セグメンテーション（0.820）およびマスクRCNN（0.825）を上回った。
• 閾値付きジャッカードスコアは0.816であった。これは、低スコアに対するペナルティが課される挑戦条件でも強固な性能を示している。
• 最終モデルは公式テストセットでジャッカードインデックス0.802を達成し、ロバストネスと一般化性能が確認された。
• 視覚的比較では、2段階手法がベースライン手法に比べ、より正確な腫瘍局在と滑らかで正確なセグメンテーション境界を生成した。
• RGB、HSV、CIELABのマルチチャネル入力の使用により、特にコントラストが低い領域でより良い特徴表現が得られた。
• 回転および反転を用いたテスト時アンサンブル推論により、複数の視点からの予測を平均化することで、最終的なセグメンテーション品質が向上した。