[論文レビュー] Automatic Skin Lesion Segmentation using Semi-supervised Learning Technique

S. M. Jaisakthi, Chandrabose Aravindan+1 more|arXiv (Cornell University)|Mar 13, 2017

Cutaneous Melanoma Detection and Management参考文献 1被引用数 22

ひとこと要約

本稿では、照明補正および髪の毛除去の前処理を経て、k-meansクラスタリングとヒストグラムベースの色フィルタリングを用いて病変を分離する半教師あり皮膚病変セグメンテーション手法を提案する。本手法はISIC 2017の検証セットでJaccardスコア0.548を達成し、早期黒色腫診断のための自動病変検出の有効性を示している。

ABSTRACT

Skin cancer is the most common of all cancers and each year million cases of skin cancer are treated. Treating and curing skin cancer is easy, if it is diagnosed and treated at an early stage. In this work we propose an automatic technique for skin lesion segmentation in dermoscopic images which helps in classifying the skin cancer types. The proposed method comprises of two major phases (1) preprocessing and (2) segmentation using semi-supervised learning algorithm. In the preprocessing phase noise are removed using filtering technique and in the segmentation phase skin lesions are segmented based on clustering technique. K-means clustering algorithm is used to cluster the preprocessed images and skin lesions are filtered from these clusters based on the color feature. Color of the skin lesions are learned from the training images using histograms calculations in RGB color space. The training images were downloaded from the ISIC 2017 challenge website and the experimental results were evaluated using validation and test sets.

研究の動機と目的

• 早期黒色腫診断のための自動皮膚病変セグメンテーションシステムの開発を目的とする。
• 不均一な照明、髪の毛アーチファクト、ノイズといった皮膚鏡画像解析の課題に対処することを目的とする。
• トレーニングデータからの正解ラベルを活用して病変セグメンテーションをガイドする半教師あり学習を活用することを目的とする。
• 色とクラスタリングベースのセグメンテーションを用いて病変領域を分離することで、臨床的精度の向上を図ることを目的とする。

提案手法

• 計算負荷を軽減するため、画像のサイズが1500ピクセルを超える場合は元サイズの25%にリサイズした。
• 照明のばらつきを補正するため、Lab色空間のLチャンネルにCLAHEを適用した。
• 髪の毛の除去には、ヘッセ行列固有値解析に基づくチューブ状構造の強調に特化したFrangi血管性フィルタを用いた。
• 病変の色境界を定義するために、正解ラベルを有するトレーニング画像からRGBヒストグラムを抽出した。
• 色の類似度に基づいてピクセルをグループ化するため、k=5のk-meansクラスタリングを実行した。これにより、病変領域と背景・アーチファクトが分離された。
• 密な病変領域および境界領域を効果的にセグメンテーションするために、2つのシードポイント（中心点と境界付近）を用いたフラッドフィルを実施し、その後連結成分ラベリングを実行した。

実験結果

リサーチクエスチョン

• RQ1 限られたアノテート済みトレーニングデータを用いた半教師あり学習が、皮膚病変セグメンテーションの精度向上に寄与するか？
• RQ2 k-meansクラスタリングと色ヒストグラム分析を組み合わせた手法が、正常皮膚組織およびアーチファクトから皮膚病変をどれほど効果的に分離できるか？
• RQ3 CLAHEやFrangiフィルタといった前処理ステップが、セグメンテーション性能にどの程度の効果をもたらすか？
• RQ4 フラッドフィルに複数のシードポイントを用いることで、病変領域の完全性はどの程度向上するか？

主な発見

• 提案手法はISIC 2017の検証セットでJaccardスコア0.548を達成し、正解との間で中程度から高い病変被り重複を示した。
• 感度が高く、Jaccard指数が低くても実際の病変領域を効果的に検出できていることを示している。
• CLAHEの適用により、非均一な照明補正が行われ、病変領域のコントラストと均一性が著しく向上した。
• Frangi血管性フィルタは、髪の毛やその他のチューブ状アーチファクトを効果的に除去し、誤検出の低減に寄与した。
• k=5のk-meansクラスタリングにより、背景、ノイズ、画像アーチファクトから病変領域を明確に分離できた。
• 二重シードポイントを用いたフラッドフィル手法により、中心部および境界部の病変領域を効果的に捉えることができ、セグメンテーションの完全性が向上した。