[論文レビュー] A Web-based Mpox Skin Lesion Detection System Using State-of-the-art Deep Learning Models Considering Racial Diversity

Shams Nafisa Ali, Md. Tazuddin Ahmed+6 more|arXiv (Cornell University)|Jun 25, 2023

Poxvirus research and outbreaks被引用数 10

ひとこと要約

本論文は、多様なデータセット（MSLD v2.0）上で複数の深層学習モデルを比較評価し、色空間拡張と転移学習を用いて性能を向上させ、83.59%の精度を達成したウェブベースの mpox 痕跡検出器を提案する。

ABSTRACT

The recent 'Mpox' outbreak, formerly known as 'Monkeypox', has become a significant public health concern and has spread to over 110 countries globally. The challenge of clinically diagnosing mpox early on is due, in part, to its similarity to other types of rashes. Computer-aided screening tools have been proven valuable in cases where Polymerase Chain Reaction (PCR) based diagnosis is not immediately available. Deep learning methods are powerful in learning complex data representations, but their efficacy largely depends on adequate training data. To address this challenge, we present the "Mpox Skin Lesion Dataset Version 2.0 (MSLD v2.0)" as a follow-up to the previously released openly accessible dataset, one of the first datasets containing mpox lesion images. This dataset contains images of patients with mpox and five other non-mpox classes (chickenpox, measles, hand-foot-mouth disease, cowpox, and healthy). We benchmark the performance of several state-of-the-art deep learning models, including VGG16, ResNet50, DenseNet121, MobileNetV2, EfficientNetB3, InceptionV3, and Xception, to classify mpox and other infectious skin diseases. In order to reduce the impact of racial bias, we utilize a color space data augmentation method to increase skin color variability during training. Additionally, by leveraging transfer learning implemented with pre-trained weights generated from the HAM10000 dataset, an extensive collection of pigmented skin lesion images, we achieved the best overall accuracy of $83.59\pm2.11\%$. Finally, the developed models are incorporated within a prototype web application to analyze uploaded skin images by a user and determine whether a subject is a suspected mpox patient.

研究の動機と目的

• mpox（Monkeypox）診断の課題を他の発疹との類似性のため解決する。
• 深層学習を用いた迅速な非PCR支援スクリーニングのウェブベースツールを開発する。
• mpox および non-mpox クラスを含む Mpox Skin Lesion Dataset Version 2.0 (MSLD v2.0) を作成・活用する。
• 肌色の多様性を高めるデータ拡張を通じて人種的バイアスを緩和する。
• HAM10000 からの転移学習を活用してモデル性能を向上させる。

提案手法

• 複数の CNN アーキテクチャをベンチマークする： VGG16, ResNet50, DenseNet121, MobileNetV2, EfficientNetB3, InceptionV3, Xception。
• 訓練中の肌色の多様性を高めるためにカラー空間拡張を使用する。
• HAM10000 pigmented skin lesion dataset からの事前学習済み重みを用いた転移学習を適用する。
• MSLD v2.0 (mpox、 chickenpox、 measles、 hand‑foot‑mouth disease、 cowpox、 healthy) 上でモデルを訓練・評価する。
• アップロード画像解析のためのプロトタイプ Web アプリケーションに最良の性能を示したモデルを統合する。

実験結果

リサーチクエスチョン

• RQ1 最新鋭の CNN モデルは、多様なデータセットで mpox を他の感染性皮膚疾患と効果的に分類できるか？
• RQ2 カラー空間データ拡張は人種的バイアスを減少させ、肌色の異なるトーン間で性能を向上させるか？
• RQ3 HAM10000 からの転移学習は mpox 関連の分類精度をどの程度改善するか？
• RQ4 ウェブベースのプロトタイプ環境におけるユーザーアップロード画像で、最良モデルはどのように機能するか？

主な発見

• 総合最高精度は 83.59%、標準偏差は ±2.11% で達成。
• MSLD v2.0 データセットには mpox と 5 クラスの non-mpox が含まれる（chickenpox、measles、hand-foot-mouth disease、cowpox、healthy）。
• 訓練中の肌色変動を増やすためカラー空間拡張が用いられ、人種的バイアスの緩和に寄与した。
• HAM10000 の事前学習済み重みを用いた転移学習が性能向上に寄与した。
• モデルはアップロードされた皮膚画像を解析する mpox の疑いを検出するウェブアプリケーションのプロトタイプに統合された。