[論文レビュー] A Survey on Deep Learning for Skin Lesion Segmentation

Zahra Mirikharaji, Kumar Abhishek+6 more|arXiv (Cornell University)|Jun 1, 2022

Cutaneous Melanoma Detection and Management被引用数 5

ひとこと要約

本サーベイは、皮膚病変分類のための177件のディープラーニング研究を統合し、入力データ、モデルアーキテクチャ、損失関数、評価指標を分析している。画像アーティファクトや変動性といった主な課題を特定し、今後の研究を支援する包括的なフレームワークとインタラクティブな表を提供することで、臨床応用に向けた自動的で堅牢かつ公平な皮膚病変分類の実現を図る。

ABSTRACT

Skin cancer is a major public health problem that could benefit from computer-aided diagnosis to reduce the burden of this common disease. Skin lesion segmentation from images is an important step toward achieving this goal. However, the presence of natural and artificial artifacts (e.g., hair and air bubbles), intrinsic factors (e.g., lesion shape and contrast), and variations in image acquisition conditions make skin lesion segmentation a challenging task. Recently, various researchers have explored the applicability of deep learning models to skin lesion segmentation. In this survey, we cross-examine 177 research papers that deal with deep learning-based segmentation of skin lesions. We analyze these works along several dimensions, including input data (datasets, preprocessing, and synthetic data generation), model design (architecture, modules, and losses), and evaluation aspects (data annotation requirements and segmentation performance). We discuss these dimensions both from the viewpoint of select seminal works, and from a systematic viewpoint, examining how those choices have influenced current trends, and how their limitations should be addressed. To facilitate comparisons, we summarize all examined works in a comprehensive table as well as an interactive table available online at https://github.com/sfu-mial/skin-lesion-segmentation-survey.

研究の動機と目的

• 入力データ、モデル設計、評価の各側面において、皮膚病変分類のディープラーニング手法を体系的に分析すること。
• 画像アーティファクト、低コントラスト、アノテーションのばらつきといった、分類性能に影響を及ぼす継続的な課題を特定すること。
• データ増強、合成データ、損失関数の影響がモデルの汎化性能および耐性に与える影響を評価すること。
• 包括的な表とインタラクティブなオンラインリソースを通じて、研究者向けに手法の構造的比較を提供すること。
• 現在のディープラーニングベースの分類フレームワークにおける制限要因とトレンドを明らかにすることで、今後の研究を導くこと。

提案手法

• 2015年から2023年までの皮膚病変分類のディープラーニングに関する177編の査読済み論文を対象とした体系的文献レビューを実施した。
• 研究を以下の次元で分類した：入力データ（データセット、前処理、合成データ）、モデルアーキテクチャ（U-Net変種、アテンションモジュール）、損失関数（バイナリクロスエントロピー、Dice、ハイブリッド損失）。
• 標準的な分類評価指標（例：Dice、IoU、DSC）を用いてモデル性能を評価し、アノテーション品質とデータ不足の問題を分析した。
• 得られた知見を詳細な比較表に統合し、https://github.com/sfu-mial/skin-lesion-segmentation-survey にインタラクティブ版をホスティングした。
• 代表的な先行研究と現在のトレンドをレビューし、肌色や撮影条件の多様性にわたる公平性、耐性、汎化性能の分野におけるギャップを特定した。
• 境界局所化と病変の輪郭抽出の向上に寄与するアテンション機構、スキップ接続、マルチスケール特徴抽出の役割を議論した。

実験結果

リサーチクエスチョン

• RQ1 異なるデータ前処理および増強戦略は、皮膚病変分類モデルの耐性にどのように影響するか？
• RQ2 低コントラストやアーティファクトを含む皮膚病変画像に対処するにあたり、最も効果的な損失関数とネットワークアーキテクチャは何か？
• RQ3 現在のモデルは多様な肌色や撮影条件にどの程度汎化しているのか。公平性を向上させるにはどうすればよいか？
• RQ4 合成データ生成技術は、リソースが限られた環境におけるモデル性能と汎化性能にどのように影響するか？
• RQ5 現在の評価プロトコルにおける主な制限要因は何か。実臨床での導入を反映させるには、どのように改善すべきか？

主な発見

• U-Netおよびその変種が最も広く使用されており、アテンション機構とスキップ接続の導入により境界の正確性が顕著に向上している。
• バイナリクロスエントロピーとDice損失を組み合わせたハイブリッド損失関数は、単一損失アプローチを常に上回り、クラス不均衡の処理において特に有効である。
• 合成データ増強およびデータ間変換技術（例：cycle-GAN）は、特にデータが少ない状況においてモデルの汎化性能を向上させている。
• モデル性能は肌色によって顕著に異なることが判明し、バイアスを低減するためには多様で代表的な訓練データの確保が不可欠である。
• アテンションモジュール（例：Attention U-Net）の使用は、特に低コントラスト画像において不規則な病変境界の局所化を改善している。
• 進展は見られても、コントラストが低く、髪やアーティファクトが混在する病変の分類には依然として顕著な性能ギャップが残っており、より耐性のあるアーキテクチャとデータ整備の必要性が示唆されている。