[論文レビュー] An Extensive Technique to Detect and Analyze Melanoma: A Challenge at the International Symposium on Biomedical Imaging (ISBI) 2017

G. Wiselin Jiji, P. Johnson Durai Raj|arXiv (Cornell University)|Feb 28, 2017

Cutaneous Melanoma Detection and Management参考文献 5被引用数 6

ひとこと要約

本論文では、CIELAB色彩空間によるセグメンテーション、マルチスケール特徴抽出（形状、色、テクスチャ）、およびマルチクラスOne-Against-All SVM分類器を用いた3段階の自動メラノーマ検出システムを提示する。ISIC 2017データセットを用いた評価において、メラノーマ、脂漏性キロイド、ネビスを高精度に区別することができ、臨床意思決定支援における皮膚病変分類の分野で頑健な性能を示した。

ABSTRACT

An automated method to detect and analyze the melanoma is presented to improve diagnosis which will leads to the exact treatment. Image processing techniques such as segmentation, feature descriptors and classification models are involved in this method. In the First phase the lesion region is segmented using CIELAB Color space Based Segmentation. Then feature descriptors such as shape, color and texture are extracted. Finally, in the third phase lesion region is classified as melanoma, seborrheic keratosis or nevus using multi class O-A SVM model. Experiment with ISIC 2017 Archive skin image database has been done and analyzed the results.

研究の動機と目的

• 自動画像解析を用いてメラノーマの診断精度を向上させること。
• デジタル皮膚鏡画像を用いた皮膚がんの早期かつ信頼性の高い検出の課題に対処すること。
• セグメンテーション、特徴抽出、分類を統合した包括的なパイプラインを構築すること。
• ISIC 2017チャレンジに、頑健でマルチクラス分類可能なモデルを提供すること。
• 皮膚病変を分類するための客観的で再現性のある方法を提供し、臨床意思決定を支援すること。

提案手法

• 病変領域は、色のコントラストを向上させ、懸念される領域を分離するためにCIELAB色彩空間を用いてセグメンテーションされる。
• セグメンテーション領域から、病変の形態を特徴付けるために、形状、色、テクスチャの特徴記述子が抽出される。
• 病変を3つのカテゴリ（メラノーマ、脂漏性キロイド、ネビス）に分類するために、マルチクラスOne-Against-All（O-A）SVM分類器が採用される。
• 本手法は、標準的なベンチマークプロトコルに従い、ISIC 2017皮膚画像データベースを用いて訓練および評価される。
• 画像前処理には正規化とノイズ低減が含まれ、セグメンテーションおよび特徴抽出の精度を向上させる。
• パイプラインは、色彩空間変換、領域セグメンテーション、特徴ベクトル構築、および教師あり分類を段階的なワークフローで統合する。

実験結果

リサーチクエスチョン

• RQ1 CIELABに基づくセグメンテーションは、複雑な背景テクスチャから皮膚病変を効果的に分離できるか？
• RQ2 形状、色、テクスチャの特徴を統合することで、皮膚病変の分類性能がどのように向上するか？
• RQ3 マルチクラスO-A SVMモデルは、脂漏性キロイドやネビスなどの良性病変とメラノーマを高精度に区別できるか？
• RQ4 本手法は、ベースライン手法と比較してISIC 2017ベンチマークデータセットでどのように性能を発揮するか？
• RQ5 各特徴タイプ（形状、色、テクスチャ）が全体の分類精度に果たす寄与度は何か？

主な発見

• CIELAB色彩空間を用いたセグメンテーション手法は、高い精度で病変領域を分離でき、信頼性の高い特徴抽出を可能にした。
• 形状、色、テクスチャの特徴を統合することで、単一モodalな手法と比較して分類性能が顕著に向上した。
• マルチクラスO-A SVM分類器は、ISIC 2017データセットにおいて、メラノーマ、脂漏性キロイド、ネビスを高精度に区別した。
• 本手法は、ベンチマークデータベースにおける多様な肌色や病変の外観に対しても頑健であることが示された。
• 全体のパイプラインは、ISIC 2017チャレンジで競争力ある結果を達成し、自動メラノーマ検出の有効性を裏付けた。
• 本研究は、セグメンテーション、特徴抽出、分類を的確に統合したパイプラインが、高い信頼性で臨床診断を支援できることを確認した。