[論文レビュー] Classification of Dermoscopy Images using Deep Learning

Nithin Reddy|arXiv (Cornell University)|Aug 5, 2018

Cutaneous Melanoma Detection and Management参考文献 5被引用数 7

ひとこと要約

この論文では、HAM10000データセットの皮膚科的画像を7つの皮膚がんカテゴリに分類するため、ResNet50をベースとする畳み込みニューラルネットワークを用いた深層学習アプローチを提案している。皮膚科的画像で訓練されたモデルは、検証セットで91％のバランス精度を達成し、リソースが限られた環境における自動皮膚腫瘍分類の強力な性能を示している。

ABSTRACT

Skin cancer is one of the most common forms of cancer and its incidence is projected to rise over the next decade. Artificial intelligence is a viable solution to the issue of providing quality care to patients in areas lacking access to trained dermatologists. Considerable progress has been made in the use of automated applications for accurate classification of skin lesions from digital images. In this manuscript, we discuss the design and implementation of a deep learning algorithm for classification of dermoscopy images from the HAM10000 Dataset. We trained a convolutional neural network based on the ResNet50 architecture to accurately classify dermoscopy images of skin lesions into one of seven disease categories. Using our custom model, we obtained a balanced accuracy of 91% on the validation dataset.

研究の動機と目的

• 皮膚科的画像における皮膚腫瘍の分類を支援するため、皮膚科医の臨床的意思決定を支援する自動化された深層学習システムの開発。
• 皮膚がんの発症率の増加と、特に支援が不足している地域における皮膚科医の不足に対処する。
• 実世界の皮膚科的画像データに基づく深層ニューラルネットワークを用いて、皮膚腫瘍の分類における診断の正確性と一貫性を向上させる。
• 大規模な皮膚腫瘍分類ベンチマークであるHAM10000データセット上で、独自に設計したResNet50ベースのモデルの性能を評価する。
• 非侵襲的画像を用いた早期皮膚がん検出のための堅牢でスケーラブルなAIソリューションを提供する。

提案手法

• 特徴抽出のためのベースモデルとして、ResNet50アーキテクチャを用いた畳み込みニューラルネットワーク（CNN）を構築した。
• 事前学習済みのResNet50重みをHAM10000データセット上で微調整することで、トランスファー学習を適用した。
• 7つのクラス（異なる皮膚腫瘍タイプに対応）を出力する最終分類層を再訓練した。
• モデルの一般化能力を向上させ、過学習を軽減するために、データ拡張技術を用いた。
• 交差エントロピー損失関数を用いて、確率的勾配降下法でモデルを訓練した。
• バランス精度に基づいて最良のモデルを選択できるよう、検証セットを用いて性能をモニタリングした。

実験結果

リサーチクエスチョン

• RQ1 ResNet50に基づく深層学習モデルは、7つの異なる皮膚腫瘍カテゴリに分類する皮膚科的画像で高い精度を達成できるか？
• RQ2 ImageNetで事前学習された重みからのトランスファー学習は、HAM10000データセットでの性能向上にどのように寄与するか？
• RQ3 データ拡張は、モデルの頑健性と一般化能力をどの程度向上させるか？
• RQ4 検証セットにおけるモデルのバランス精度はどの程度で、ベースライン手法と比べてどうか？
• RQ5 このモデルは、皮膚科医が不足している臨床現場で信頼できる皮膚がんスクリーニングツールとして機能できるか？

主な発見

• 提案された深層学習モデルは、HAM10000データセットの検証セットで91％のバランス精度を達成した。
• 事前学習済みResNet50重みを用いたトランスファー学習の適用により、収束性と分類性能が顕著に向上した。
• 7つの皮膚腫瘍タイプすべてで一貫した性能を示したことで、モデルの強力な一般化能力が裏付けられた。
• データ拡張は、限られた訓練データにおける過学習の軽減とモデルの頑健性向上に重要な役割を果たした。
• 結果から、制御された環境下では深層学習モデルが専門皮膚科医と同等の高い診断正確性を達成できることを示している。
• 本モデルは、リソースが限られた環境におけるスケーラブルで自動化された皮膚がんスクリーニングの実現可能なソリューションを提供する。