[論文レビュー] A Multi-Level Deep Ensemble Model for Skin Lesion Classification in Dermoscopy Images

Yutong Xie, Jianpeng Zhang+1 more|arXiv (Cornell University)|Jul 23, 2018

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

ひとこと要約

本稿では、マルチスケール特徴抽出とエンド・ツー・エンド学習中の適応的重み付けを用いて、4つの事前学習済みResNet-50ネットワークを統合することで、皮膚病変の真皮内画像を分類するマルチレベルディープアンサンブル（MLDE）モデルを提案する。モデルはISIC 2018検証データセットで平均AUC 86.5％を達成し、個々のResNet-50モデルを上回る性能を示した。

ABSTRACT

A multi-level deep ensemble (MLDE) model that can be trained in an 'end to end' manner is proposed for skin lesion classification in dermoscopy images. In this model, four pre-trained ResNet-50 networks are used to characterize the multiscale information of skin lesions and are combined by using an adaptive weighting scheme that can be learned during the error back propagation. The proposed MLDE model achieved an average AUC value of 86.5% on the ISIC-skin 2018 official validation dataset, which is substantially higher than the average AUC values achieved by each of four ResNet-50 networks.

研究の動機と目的

• 深層ニューラルネットワークからのマルチスケール特徴を活用することで、皮膚病変分類の精度を向上させること。
• 皮膚画像における異なるスケールでの病変の外観の不一致という課題に対処すること。
• 複数の深層特徴を適応的に統合するエンド・ツー・エンドで訓練可能なアンサンブルモデルを構築すること。
• ISIC 2018皮膚病変分類ベンチマークにおいて、個々のディープラーニングモデルを上回ること。
• 特徴統合を向上させるための学習可能な適応的重み付け方式を導入すること。

提案手法

• 4つの事前学習済みResNet-50ネットワークを用いて、真皮内画像からのマルチスケール表現を抽出する。
• ResNet-50ネットワークの異なる層からの特徴を複数のレベルで統合し、階層的な病変特徴を捉える。
• バックプロパゲーション中に学習される適応的重み付け機構を導入し、特徴統合を最適化する。
• エンド・ツー・エンドの訓練により、特徴抽出と統合の両方を同時に最適化できるようにする。
• 分類誤差を最小化する損失関数を用いて、標準的なバックプロパゲーションでアンサンブルモデルを訓練する。
• 最終的な予測は、4つのResNet-50ブランチの重み付けされた出力の集約によって生成される。

実験結果

リサーチクエスチョン

• RQ1 複数のResNet-50ネットワークからのマルチスケール特徴を統合することで、マルチレベルディープアンサンブルモデルが皮膚病変分類性能を向上させられるか？
• RQ2 エンド・ツー・エンドで訓練可能な適応的重み付け方式は、皮膚画像解析における特徴統合と分類精度を向上させるか？
• RQ3 提案されたMLDEモデルは、ISIC 2018検証セットにおけるAUCの観点から、個々のResNet-50モデルと比べてどのように差がつくか？
• RQ4 深層ネットワークからのマルチスケール表現は、皮膚画像における頑健な病変分類にどの程度寄与するか？
• RQ5 学習可能な統合機構は、固定またはヒューリスティックな統合戦略を上回る性能を発揮できるか？

主な発見

• 提案されたMLDEモデルは、ISIC 2018公式検証データセットで平均AUC 86.5％を達成した。
• この性能は、アンサンブルに使用された個々のResNet-50ネットワークの平均AUCを顕著に上回った。
• 訓練中に学習された適応的重み付け機構は、特徴統合と分類のロバストネスを効果的に向上させた。
• マルチレベル特徴抽出戦略は、異なるスケールでの病変特徴を効果的に捉えることに成功した。
• エンド・ツー・エンドの訓練パラダイムにより、ベースネットワークを別々に訓練するのと比べて、アンサンブルモデルの最適化がより良好に実現された。
• モデルは、複雑で多様な真皮内画像に対しても強力な一般化能力を示した。