[論文レビュー] Automated Skin Lesion Classification Using Ensemble of Deep Neural Networks in ISIC 2018: Skin Lesion Analysis Towards Melanoma Detection Challenge

Ashraful Alam Milton|arXiv (Cornell University)|Jan 30, 2019

Cutaneous Melanoma Detection and Management参考文献 11被引用数 82

ひとこと要約

本論文は ISIC 2018 データセット上の黒色腫検出のための複数の深層ニューラルネットワークを評価し、アンサンブル手法の中で PNASNet-5-Large が達成した最良の検証スコアを報告する。

ABSTRACT

In this paper, we studied extensively on different deep learning based methods to detect melanoma and skin lesion cancers. Melanoma, a form of malignant skin cancer is very threatening to health. Proper diagnosis of melanoma at an earlier stage is crucial for the success rate of complete cure. Dermoscopic images with Benign and malignant forms of skin cancer can be analyzed by computer vision system to streamline the process of skin cancer detection. In this study, we experimented with various neural networks which employ recent deep learning based models like PNASNet-5-Large, InceptionResNetV2, SENet154, InceptionV4. Dermoscopic images are properly processed and augmented before feeding them into the network. We tested our methods on International Skin Imaging Collaboration (ISIC) 2018 challenge dataset. Our system has achieved best validation score of 0.76 for PNASNet-5-Large model. Further improvement and optimization of the proposed methods with a bigger training dataset and carefully chosen hyper-parameter could improve the performances. The code available for download at https://github.com/miltonbd/ISIC_2018_classification

研究の動機と目的

• 早期診断と臨床判断を支援する自動化された黒色腫検出を動機づける。
• ISIC 2018 challenge データセット上で複数の深層学習アーキテクチャの性能を評価する。
• 皮膚鏡画像の分類を改善するためのデータ処理と拡張戦略を検討する。
• 皮膚病変分類のためのアンサンブル手法の中で最も性能の高いモデルを特定する。

提案手法

• ISIC 2018 データセット上で PNASNet-5-Large、InceptionResNetV2、SENet154、InceptionV4 などの深層ネットワークを用いて実験する。
• ネットワーク訓練前に皮膚鏡画像を適切に前処理および拡張する。
• ISIC 2018 のバリデーションセットでモデルを評価し、性能指標を報告する。
• 最良の検証スコアがPNASNet-5-Largeで0.76であることを強調する。
• さらなる改善は、より大規模な訓練データと慎重なハイパーパラメータ選択から得られる可能性があると示唆する。

実験結果

リサーチクエスチョン

• RQ1 ISIC 2018 データセットで深層ニューラルネットワークのアンサンブルは黒色腫検出の精度を向上させることができるか？
• RQ2 皮膚鏡所見の分類において最良の検証性能を提供するネットワークアーキテクチャはどれか？
• RQ3 データ前処理と拡張は ISIC 2018 でのモデル性能にどう影響するか？
• RQ4 より大規模な訓練データと最適化されたハイパーパラメータがさらなる成果向上にどの程度寄与する可能性があるか？

主な発見

• PNASNet-5-Large はテストされたモデルの中で最良の検証スコア 0.76 を達成した。
• 様々な深層学習モデル（InceptionResNetV2、SENet154、InceptionV4）が ISIC 2018 で評価された。
• 皮膚鏡画像はネットワークへ入力する前に適切に処理・拡張された。
• 著者は、より大きな訓練データセットと最適化されたハイパーパラメータが性能を向上させる可能性があると示唆している。
• このアプローチのコードは提供されたURLで入手可能。