[論文レビュー] Convolutional Neural Network Committees for Melanoma Classification with Classical And Expert Knowledge Based Image Transforms Data Augmentation

Cristina Nader Vasconcelos, Bárbara Nader Vasconcelos|arXiv (Cornell University)|Feb 22, 2017

Cutaneous Melanoma Detection and Management参考文献 6被引用数 20

ひとこと要約

本論文は、皮膚科的病変の対称性を根拠とした専門的知識ガイダンス付きワープと、古典的な画像変換（幾何的／色調）を組み合わせた新規ハイブリッドデータ拡張戦略を用いて、GoogLeNetベースの畳み込みニューラルネットワーク（CNN）の委員会を提案する。この手法は、自然および生物学的変動に対する頑健性を向上させ、0.932の検証スコアを達成し、ISBI 2017コンテストの最高スコア（0.958）からわずか2.6%低い水準に留まり、小規模で不均衡なバイオメディカルデータセットにおける有効性を示している。

ABSTRACT

Skin cancer is a major public health problem, as is the most common type of cancer and represents more than half of cancer diagnoses worldwide. Early detection influences the outcome of the disease and motivates our work. We investigate the composition of CNN committees and data augmentation for the the ISBI 2017 Melanoma Classification Challenge (named Skin Lesion Analysis towards Melanoma Detection) facing the peculiarities of dealing with such a small, unbalanced, biological database. For that, we explore committees of Convolutional Neural Networks trained over the ISBI challenge training dataset artificially augmented by both classical image processing transforms and image warping guided by specialist knowledge about the lesion axis and improve the final classifier invariance to common melanoma variations.

研究の動機と目的

• ISBI 2017メラノーマデータセットのような小規模で不均衡なバイオメディカルデータセットにおけるディーブラーニングモデルの学習という課題に対処すること。
• データ拡張が皮膚病変画像における自然的および生物学的変動に対するCNNの不変性を向上させられるかを調査すること。
• データセットの不均衡がCNN性能に与える影響を評価し、緩和戦略を提案すること。
• 古典的および専門的知識に基づくデータ拡張を組み合わせることで、モデルの一般化能力および頑健性が向上することを実証すること。
• CNN委員会が、挑戦的なメラノーマ分類タスクにおける分類性能を向上させることを評価すること。

提案手法

• トレーニングセットに適応するため、転移学習を用いて微調整された事前学習済みGoogLeNetアーキテクチャをベースのCNNモデルとして採用する。
• ランダム回転、反転、色調のゆらぎを含む古典的手法によるデータ拡張を適用し、トレーニングサンプルの多様性を向上させる。
• 病変の対称性および軸方向を根拠にした専門的知識ガイダンス付き画像ワープを、薄板スプライン変換を用いて実装する。これにより、重要な形態的パターンが保持される。
• 楕円で病変の境界を近似し、主軸長さを±20%変化させつつ、方向および中心位置を維持することで、現実的で自然な変動を再現する。
• 拡張済みデータのバランスの取れたサブセットを用いて複数のモデルをトレーニングすることで、CNN委員会を構築し、分散を低減し、一般化能力を向上させる。
• 再現性と公準な比較を確保するため、固定ハイパーパrameter（10エポック、10⁻⁴の学習率、バッチサイズ256）を用いた5分割交差検証を実施する。

実験結果

リサーチクエスチョン

• RQ1 幾何的および色調的な古典的画像処理変換は、メラノーマ病変画像における自然的変動に対するCNNの不変性を向上させられるか？
• RQ2 皮膚科的原則に基づく病変の対称性および軸方向を根拠とした専門的知識ガイダンス付き画像ワープは、生物学的変動に対するCNNの頑健性を向上させられるか？
• RQ3 トレーニングデータセットのクラス不均衡がCNN性能に与える影響は何か？また、データ拡張はこの問題を緩和できるか？
• RQ4 拡張済みでバランスの取れたデータでトレーニングされたCNN委員会は、単一モデルに比べて分類性能を向上させられるか？
• RQ5 ハイブリッドデータ拡張を用いて、小規模で不均衡なバイオメディカルデータセットにおいて、事前学習済みGoogLeNetアーキテクチャがどれほど競争力のある結果を達成できるか？

主な発見

• 古典的および専門的知識に基づくワープを組み合わせた本手法のハイブリッドデータ拡張戦略は、自然的および生物学的変動に対するモデルの頑健性を顕著に向上させた。
• 拡張済みでバランスの取れたデータでトレーニングされたCNN委員会は、検証スコア0.932を達成し、ISBI 2017コンテストの最高スコア（0.958）からわずか2.6%低い水準に留まった。
• ImageNetで事前学習済みの重みを用いた微調整により、過学習とトレーニング時間の両方が低減した。これは、小規模データセットにおける転移学習の利点を裏付けた。
• 対称性および軸方向に基づく病変固有のワープは、重要な診断的パターンを保持し、不自然な特徴を導入することなく一般化能力を向上させた。
• 本手法は、小規模なトレーニングセット（2000枚）および高いクラス不均衡（68.6%：脂漏性角化症、12.7%：母斑、18.7%：メラノーマ）にもかかわらず、強力な性能を示した。
• 結果から、本手法は残差ネットワークなどの他のCNNアーキテクチャに対しても適用可能であり、より強力なモデルを用いることでさらなる向上が期待できることが示唆された。