[論文レビュー] Cascaded Context Enhancement for Automated Skin Lesion Segmentation

Ruxin Wang, Shu‐Yuan Chen+2 more|arXiv (Cornell University)|Apr 17, 2020

Cutaneous Melanoma Detection and Management参考文献 45被引用数 6

ひとこと要約

本論文は、ゲートベースの段階的コンテキスト集約（CCA）モジュールを用いて低レベルから高レベルの特徴を段階的に統合し、コンテキストガイドドローカルアフィニティモジュールで予測を精緻化する、自動皮膚腫瘍分類のための段階的コンテキスト強化ネットワークを提案する。本手法は、ISIC-2016、ISIC-2017、PH2 データセット上で、それぞれ87.1%、80.3%、86.6%の最先端のJaccardインデックスを達成した。

ABSTRACT

Skin lesion segmentation is an important step for automated melanoma diagnosis. Due to the non-negligible diversity of lesions from different patients, extracting powerful context for fine-grained semantic segmentation is still challenging today. In this paper, we formulate a cascaded context enhancement neural network for skin lesion segmentation. The proposed method adopts encoder-decoder architecture, a new cascaded context aggregation (CCA) module with gate-based information integration approach is proposed for sequentially and selectively aggregating original image and encoder network features from low-level to high-level. The generated context is further utilized to guide discriminative features extraction by the designed context-guided local affinity module. Furthermore, an auxiliary loss is added to the CCA module for refining the prediction. In our work, we evaluate our approach on three public datasets. We achieve the Jaccard Index (JA) of 87.1%, 80.3% and 86.6% on ISIC-2016, ISIC-2017 and PH2 datasets, which are higher than other state-of-the-art methods respectively.

研究の動機と目的

• 高患者間の腫瘍変異性に起因する皮膚腫瘍画像における細粒度のセマンティック分類の課題に対処すること。
• 低レベルから高レベルのエンコーダ特徴を段階的に統合することでコンテキスト表現を向上させること。
• コンテキストガイドドローカルアフィニティモデリングを通じて特徴の判別力学習を強化すること。
• 段階的コンテキスト集約モジュールに補助損失を適用して分類予測を精緻化すること。
• 複数の公開皮膚腫瘍分類ベンチマークで最先端のパフォーマンスを達成すること。

提案手法

• 特徴抽出と分類のためのバックボーンとしてエンコーダ・デコーダアーキテクチャを採用すること。
• ゲートベースのメカニズムを用いて選択的統合を行う段階的コンテキスト集約（CCA）モジュールを設計すること。
• 元の画像特徴とエンコーダ特徴を、低レベルから高レベルの抽象化へと段階的に統合すること。
• 強化されたコンテキストを活用して局所特徴を精緻化し、分類性能を向上させるコンテキストガイドドローカルアフィニティモジュールを導入すること。
• コンテキスト学習を監視し、特徴表現を向上させるためにCCAモジュールに補助損失を適用すること。
• エンドツーエンド最適化のため、標準的な分類損失と補助損失を用いてネットワークを学習すること。

実験結果

リサーチクエスチョン

• RQ1 高腫瘍多様性の下でも、段階的でゲートベースのコンテキスト集約は、皮膚腫瘍分類のための特徴表現を向上させ得るか？
• RQ2 低レベルと高レベル特徴の段階的統合は、並列的または単一段階の統合と比較して、分類精度にどのように影響するか？
• RQ3 コンテキストガイドドローカルアフィニティモジュールは、判別的特徴学習をどの程度向上させるか？
• RQ4 CCAモジュールに補助損失を適用することで、収束性と分類パフォーマンスが向上するか？
• RQ5 提案手法は、ISIC-2016、ISIC-2017、PH2 などの多様な皮膚腫瘍データセットに一般化可能か？

主な発見

• 提案手法は、ISIC-2016 データセットでJaccard Index（JA）87.1%を達成し、以前の最先端手法を上回った。
• ISIC-2017 データセットでは、JAが80.3%に達し、挑戦的な腫瘍変異に対して強力な性能を示した。
• PH2 データセットの結果はJAが86.6%であり、異なる腫瘍特性にわたる頑健さと一般化性能を示した。
• CCAモジュールに適用された補助損失は、特徴学習の向上とより良い分類結果に寄与した。
• ゲートベースの段階的コンテキスト集約は、複数の抽象化レベルにわたるコンテキスト情報を効果的に捉え、精緻化した。
• コンテキストガイドドローカルアフィニティモジュールは、局所特徴の判別力を向上させ、より鋭く正確な腫瘍境界を実現した。