[論文レビュー] Automatic Lesion Boundary Segmentation in Dermoscopic Images with Ensemble Deep Learning Methods

Manu Goyal, Oakley, Amanda+3 more|arXiv (Cornell University)|Feb 2, 2019

Cutaneous Melanoma Detection and Management参考文献 35被引用数 6

ひとこと要約

本稿では、皮膚腫瘍の境界を自動的にセグメンテーションするためのアンサンブル深層学習フレームワークを提案している。Mask-RCNN と DeepLabv3+ を組み合わせた手法であり、ISIC-2017 データセットで学習し、ISIC-2017 および PH2 データセットで評価した。最良のアンサンブル手法は、U-Net や FCN、SegNet といった最先端モデルを大きく上回る 79.58% の Jaccard 指数を達成した。

ABSTRACT

Early detection of skin cancer, particularly melanoma, is crucial to enable advanced treatment. Due to the rapid growth in the numbers of skin cancers, there is a growing need of computerized analysis for skin lesions. The state-of-the-art public available datasets for skin lesions are often accompanied with very limited amount of segmentation ground truth labeling as it is laborious and expensive. The lesion boundary segmentation is vital to locate the lesion accurately in dermoscopic images and lesion diagnosis of different skin lesion types. In this work, we propose the use of fully automated deep learning ensemble methods for accurate lesion boundary segmentation in dermoscopic images. We trained the Mask-RCNN and DeepLabv3+ methods on ISIC-2017 segmentation training set and evaluate the performance of the ensemble networks on ISIC-2017 testing set. Our results showed that the best proposed ensemble method segmented the skin lesions with Jaccard index of 79.58% for the ISIC-2017 testing set. The proposed ensemble method outperformed FrCN, FCN, U-Net, and SegNet in Jaccard Index by 2.48%, 7.42%, 17.95%, and 9.96% respectively. Furthermore, the proposed ensemble method achieved an accuracy of 95.6% for some representative clinically benign cases, 90.78% for the melanoma cases, and 91.29% for the seborrheic keratosis cases on ISIC-2017 testing set, exhibiting better performance than FrCN, FCN, U-Net, and SegNet.

研究の動機と目的

• 皮膚腫瘍データセットにおける限られた正解セグメンテーションアノテーションの課題に対処するため、完全に自動化された深層学習ソリューションを開発すること。
• 深層学習アンサンブルを用いて、メラノーマおよびその他の皮膚腫瘍タイプの境界セグメンテーションの正確性を向上させること。
• PH2 データセットを用いて、クロスデータセット一般化の堅牢性を評価すること。
• U-Net や FCN、SegNet といった既存の最先端セグメンテーションモデルを、主要なパフォーマンス指標で上回ること。
• 正確な病変局在を支援することで、コンピュータ支援診断をより正確にすること。特に ABCD ルールシステムへの対応を目的とする。

提案手法

• 本手法は、インスタンスセグメンテーションに適した Mask-RCNN と、セマンティックセグメンテーションに適した DeepLabv3+ という2つの最先端の深層学習モデルのアンサンブルを採用している。
• 両モデルの予測結果を平均化戦略（Ensemble-ADD）を用いて統合することで、セグメンテーションの堅牢性と正確性を向上させている。
• 事前処理には、異なるデバイスや照明条件下でも皮膚画像の外観を正規化するための色彩一定化アルゴリズムを適用している。
• 事後処理には、マスクのノイズ除去と形状の洗練を目的としたモルフォロジカル画像処理を適用している。
• モデルは、トランスファー学習を用い、標準的な深層学習損失関数で最適化しながら、ISIC-2017 の学習セット上でエンドツーエンドで学習している。
• 性能評価は、ISIC-2017 および PH2 のテストセットにおいて、Jaccard 指数、Dice係数、感度、特異度といった標準指標を用いて実施している。

実験結果

リサーチクエスチョン

• RQ1 Mask-RCNN と DeepLabv3+ のアンサンブルは、個々のモデルと比較して皮膚腫瘍境界セグメンテーションの正確性を向上させることができるか？
• RQ2 本手法のアンサンブルは、ISIC-2017 セグメンテーションチャレンジで最良のパフォーマンスを示したモデルと比較して、どのように性能を発揮するか？
• RQ3 PH2 のような外部データセットに対しても、本手法は一般化性能が高く、さまざまな撮影条件に耐性があると評価できるか？
• RQ4 色彩一定化による事前処理と、モルフォロジカル操作による事後処理が、セグメンテーション品質をどの程度向上させるか？
• RQ5 本アンサンブル手法は、メラノーマ、ネビス、脂漏性角化腫など多様な病変タイプにおいても高い性能を発揮できるか？

主な発見

• 提案されたアンサンブル手法は、ISIC-2017 テストセットで 79.58% の Jaccard 指数を達成し、U-Net よりも 17.95 パcent point 高かった。
• Ensemble-A は、ISIC-2017 テストセットで最高の感度（82.53%）と Dice スコア（86.33%）を記録し、病変検出性能が優れていた。
• PH2 データセットでは、Ensemble-S が 83.9% の Jaccard 指数を達成し、FCN-16s や DeepLabv3+、Mask-RCNN を上回った。
• 臨床的良性例（ネビス）では 95.6% の正確度を、メラノーマ例では ISIC-2017 で 90.78% の正確度を達成した。
• 本手法は、他のモデルと比較して優れた特異度（97.94%）を示し、陰性予測性能が優れていた。
• 本手法は、クロスデータセット一般化に優れており、Ensemble-A が ISIC-2017 で最良の性能を示した一方で、Ensemble-S が PH2 データセットで最高のパフォーマンスを発揮した。