[論文レビュー] Araguaia Medical Vision Lab at ISIC 2017 Skin Lesion Classification Challenge

Rafael T. Sousa, Larissa Vasconcellos de Moraes|arXiv (Cornell University)|Mar 2, 2017

Cutaneous Melanoma Detection and Management被引用数 6

ひとこと要約

本論文は、ISIC 2017チャレンジにおいて皮膚病変を分類する目的で、Araguaia Medical Vision Labが開発した、微調整された深層畳み込みニューラルネットワーク（DCNN）のアプローチを提示している。研究チームは、データ拡張と学習率スケジューリングを用いて、GoogleNetおよびAlexNetアーキテクチャを適用し、Seborrheic KeratosisのAUCが0.950、MelanomaのAUCが0.846を達成した。これは、クラスの不均衡が存在する中でも優れた性能を示している。

ABSTRACT

This paper describes the participation of Araguaia Medical Vision Lab at the International Skin Imaging Collaboration 2017 Skin Lesion Challenge. We describe the use of deep convolutional neural networks in attempt to classify images of Melanoma and Seborrheic Keratosis lesions. With use of finetuned GoogleNet and AlexNet we attained results of 0.950 and 0.846 AUC on Seborrheic Keratosis and Melanoma respectively.

研究の動機と目的

• 深層学習を用いてメラノーマおよびSeborrheic Keratosisの自動皮膚病変分類システムを開発すること。
• データ拡張およびトランスファーラーニングを用いて、データセットの不均衡を是正し、一般化性能を向上させること。
• ISIC 2017皮膚病変分類チャレンジにおいて、事前学習済みのCNN（GoogleNetおよびAlexNet）の性能を評価すること。
• 学習率やネットワークアーキテクチャなどのハイパーパrameterを最適化し、AUCおよび正答率を向上させること。
• アンサンブルモデリングが、不均衡な皮膚病変データセットにおける感度と特異度のバランスに与える影響を調査すること。

提案手法

• トランスファーラーニングを用いて、ISIC 2017データセット上で事前学習済みのAlexNetおよびGoogleNetモデルを微調整した。
• データ拡張技術（ランダムシアー、ズーム、シフト、フリップ）を適用し、トレーニングデータの多様性を高め、不均衡を軽減した。
• Seborrheic Keratosisタスクでは350×350、Melanomaタスクでは224×224に画像をリサイズし、ネットワークの入力要件に適合させた。
• 確率的勾配降下法（SGD）を用い、AlexNetでは3段階の学習率スケジューリング（0.001 → 0.0001 → 0.00001）を実装し、GoogleNetでは複数段階のスケジューリングを適用した。
• 3つのモデル（GoogleNet 256、GoogleNet 224、AlexNet 224）のアンサンブル平均を用いて、予測のロバスト性とクラスのバランスを向上させた。
• Caffeディープラーニングフレームワークを用い、Nvidia Digitsプラットフォーム上でモデルをトレーニングした。

実験結果

リサーチクエスチョン

• RQ1 微調整された深層畳み込みニューラルネットワークは、皮膚鏡画像からのメラノーマおよびSeborrheic Keratosisの分類において高い性能を達成できるか？
• RQ2 不均衡な皮膚病変データセットの文脈において、データ拡張はモデルの一般化性能にどのように影響するか？
• RQ3 AlexNetおよびGoogleNetを皮膚病変分類タスクに適用する際の最適な学習率スケジュールは何か？
• RQ4 複数の事前学習済みネットワークをアンサンブル化することで、個々のモデルと比較してAUCおよび感度が向上するか？
• RQ5 クラスの不均衡の影響により、メラノーマとSeborrheic Keratosisのクラス間で、モデルの性能指標（AUC、感度、特異度）にどのような差が生じるか？

主な発見

• Seborrheic Keratosis分類モデルは、ISICバリデーションセットでAUCが0.950を達成し、正答率89.3%、感度78.6%、特異度93.5%を示した。
• Melanoma分類モデルは、ISICバリデーションセットでAUCが0.846を達成し、正答率84.7%、感度63.3%、特異度90.0%を示した。
• 最も優れた性能を示したSeborrheic Keratosisモデルは、350×350の画像で微調整されたAlexNetアーキテクチャを採用し、3段階の学習率スケジューリングを適用した。
• Melanomaモデルは、3つのモデル（GoogleNet 256、GoogleNet 224、AlexNet 224）のアンサンブル平均により、最高の結果を達成した。
• 高い特異度を示したが、Melanomaの感度は依然として低く、トレーニングセットにおける陽性サンプル数が少なかったことが主な要因とされる。
• データ拡張は、有効なデータセットサイズを著しく増加させ、特に頻度が低いクラスにおいてモデルの一般化性能を向上させた。