[論文レビュー] Automatic Skin Lesion Segmentation Using Deep Fully Convolutional Networks

Hongming Xu, Tae Hyun Hwang|arXiv (Cornell University)|Jul 17, 2018

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

ひとこと要約

本論文は、皮膚腫瘍画像における自動皮膚腫瘍セグメンテーションを目的とした、U-Netに類似したアーキテクチャを採用した深層畳み込みニューラルネットワークを提案する。バイナリクロスエントロピー損失とDice損失を組み合わせた手法を用い、ISIC 2018の検証セットにおいて平均Jaccard指数0.738を達成し、多様な画像変動に対しても頑健な性能を示した。

ABSTRACT

This paper summarizes our method and validation results for the ISIC Challenge 2018 - Skin Lesion Analysis Towards Melanoma Detection - Task 1: Lesion Segmentation

研究の動機と目的

• 皮膚腫瘍の正確なセグメンテーションを皮膚顕微鏡画像から自動的に行う手法を開発し、早期黒色腫の検出を支援すること。
• 皮膚顕微鏡データセットにおける皮膚腫瘍の外観と画像品質の高いばらつきに対処すること。
• データ拡張とハイブリッド損失関数を用いることで、多様な撮影条件下でもセグメンテーションの頑健性を向上させること。
• 完全畳み込みアーキテクチャを用いて、ISIC 2018チャレンジタスク1：病変セグメンテーションにおいて高い性能を達成すること。

提案手法

• U-Netにインspiredされた完全畳み込みネットワークを用い、入力画像から病変領域の事後確率マップを予測する。
• 27個の畳み込みブロック、5つのアップサンプリング層、5つのマックスプーリング層、出力用にシグモイド活性化関数を用いた1×1畳み込み層を採用。
• 入力画像を384×512ピクセルにリサイズし、トレーニングセット全体で次元を統一する。
• ミニバッチごとにランダムな回転、スケーリング（最大10％）、シフト（最大10％）を用いたデータ拡張を実施し、頑健性を向上させる。
• バイナリクロスエントロピー損失とDice係数を組み合わせたハイブリッド損失関数を採用し、クラス不均衡の是正とIoUに類似した性能向上を図る。
• 後処理では二重閾値法を適用：高い閾値（0.8）が最も確実な病変領域を特定し、低い閾値（0.5）が候補領域を定義し、最終マスクは高閾値領域を含む候補領域とする。

実験結果

リサーチクエスチョン

• RQ1 深層完全畳み込みネットワークは、多様な皮膚顕微鏡画像の変動に耐えうる頑健な皮膚腫瘍セグメンテーションを達成できるか？
• RQ2 組み合わせ損失（バイナリクロスエントロピーとDice係数）は、不均衡な病変セグメンテーションタスクにおける精度向上にどの程度効果的か？
• RQ3 データ拡張は、さまざまな画像取得条件下でのモデル一般化性能をどの程度向上させるか？
• RQ4 二重閾値後処理戦略は、単一閾値法と比較して、セグメンテーションマスク品質をどの程度向上させるか？

主な発見

• 5つの独立して訓練されたモデルを用いた100枚のISIC 2018検証セットにおいて、平均Jaccard指数は0.738を達成した。
• 最高性能を示したモデルは検証スコア0.749を記録し、病変境界予測の強力な一貫性と信頼性を示した。
• データ拡張の活用によりモデルの頑健性が向上し、さまざまな画像条件でも一貫した性能を発揮した。
• バイナリクロスエントロピーとDice係数を組み合わせたハイブリッド損失関数は、クラス不均衡の是正に効果的であり、IoUに基づくセグメンテーション性能を向上させた。
• 5つのモデルの予測をアンサンブル化し、二重閾値後処理を適用することで、テストセットにおける最終的なセグメンテーション品質が向上した。
• 1000枚のテストセットに基づくISIC 2018チャレンジランクイングで最終順位を獲得し、実世界応用の可能性を示した。