[論文レビュー] An Automatic Diagnosis Method of Facial Acne Vulgaris Based on Convolutional Neural Network

Xiaolei Shen, Jiachi Zhang+2 more|arXiv (Cornell University)|Nov 13, 2017

melanin and skin pigmentation参考文献 2被引用数 6

ひとこと要約

本論文では、事前学習されたVGG16畳み込みニューラルネットワークを用いて、7種類のアクネ（健康皮膚を含む）を分類する深層学習ベースの自動診断システムを提案している。本手法は、強固な皮膚領域検出と詳細な病変分類を実現しており、小規模なデータセット上でも転移学習を活用することで、カスタムCNNよりも優れた性能を示し、臨床的画像解析において高い正確性と一般化能力を示している。

ABSTRACT

In this paper, we present a new automatic diagnosis method of facial acne vulgaris based on convolutional neural network. This method is proposed to overcome the shortcoming of classification types in previous methods. The core of our method is to extract features of images based on convolutional neural network and achieve classification by classifier. We design a binary classifier of skin-and-non-skin to detect skin area and a seven-classifier to achieve the classification of facial acne vulgaris and healthy skin. In the experiment, we compared the effectiveness of our convolutional neural network and the pre-trained VGG16 neural network on the ImageNet dataset. And we use the ROC curve and normal confusion matrix to evaluate the performance of the binary classifier and the seven-classifier. The results of our experiment show that the pre-trained VGG16 neural network is more effective in extracting image features. The classifiers based on the pre-trained VGG16 neural network achieve the skin detection and acne classification and have good robustness.

研究の動機と目的

• 従来のアクネ診断手法が手動による特徴抽出に依存しており、粗い分類カテゴリしか提供しないという限界を克服すること。
• 顔面画像上で複数のアクネタイプを同時に検出・分類できる、自動的で客観的かつ包括的な診断システムを開発すること。
• 照明や色の変動にさらされても、皮膚およびアクネ病変の検出において、より高い耐性と一般化能力を向上させること。
• 限られたアクネ画像データセット上で、事前学習されたVGG16とカスタム学習CNNの両者を比較し、転移学習の有効性を評価すること。

提案手法

• 顔面皮膚領域を局所化できるよう、畳み込みニューラルネットワークを用いて二値皮膚・非皮膚分類器を訓練する。
• 6種類のアクネタイプ（黒頭、白頭、パピュール、プスティュール、ノードュール、シスト）と健康皮膚を区別する7クラス分類器を実装する。
• ImageNetで事前学習されたVGG16モデルを用いて高レベル特徴を抽出することで、小規模データセット上でも性能向上を図る。
• スライディングウィンドウ処理（50×50ピクセルのパッチ）を用いて顔面領域を分析し、パッチ単位での分類を実行する。
• ROC曲線と正規化された混同行列を用いて、二値皮膚分類器および7クラスアクネ分類器の性能を評価する。
• 過学習を軽減するため、データ拡張およびドロップアウト技術を訓練段階で採用する。

実験結果

リサーチクエスチョン

• RQ1 小規模なデータセット上でのアクネ画像分類において、事前学習済みCNN（VGG16）がカスタム学習CNNを上回る特徴抽出性能を示すか？
• RQ2 従来のカラースペースベース手法と比較して、提案手法の皮膚検出法は、照明や色の変動に対してどれほど効果的か？
• RQ3 7クラス分類モデルは、従来の2または3クラスシステムと比較して、診断の詳細性をどの程度向上させるか？
• RQ4 主な失敗モードは何か。特に、シストやノードュールのような大きな病変に対しては？
• RQ5 訓練データが限られた状況下で、転移学習がモデルの一般化能力をどのように向上させるか？

主な発見

• 小規模データセット上でも、事前学習済みVGG16モデルはカスタム学習CNNを著しく上回り、特に一般化性能の観点で優れた結果を示した。
• 皮膚検出分類器は、照明や色の変動に対して高い耐性を示し、誤分類は主に皮膚・非皮膚の境界領域に発生した。
• 7クラス分類器は、黒頭、白頭、パピュール、健康皮膚において優れた性能を示したが、シスト、プスティュール、ノードュールについては、50×50ピクセルのパッチサイズを超える病変サイズのため、精度が低かった。
• 正規化された混同行列から、大多数のクラスに対して高い特異性と感度が確認され、臨床的画像解析におけるモデルの信頼性が裏付けられた。
• VGG16を用いた転移学習は、成功の鍵であった。小規模なデータセットでは、カスタムCNNは高い訓練精度を示したが、一般化能力に欠けた。
• 本システムは、複数のアクネタイプを同時に分類することで包括的かつ詳細な診断を可能にし、従来の粗い分類手法に比べ顕著な改善を示した。