[論文レビュー] Data-Driven Color Augmentation Techniques for Deep Skin Image Analysis

Adrián Galdrán, Aitor Álvarez-Gila+8 more|arXiv (Cornell University)|Mar 10, 2017

melanin and skin pigmentation参考文献 9被引用数 58

ひとこと要約

この論文は、 shades of gray に基づく照明推定を用いてホワイトバランス済みの訓練画像をカラーキャストするデータ拡張法を dermoscopy 画像に適用し、ISIC 2017 におけるセグメンテーションと分類を外部の皮膚データなしで改善する方法を提案します。

ABSTRACT

Dermoscopic skin images are often obtained with different imaging devices, under varying acquisition conditions. In this work, instead of attempting to perform intensity and color normalization, we propose to leverage computational color constancy techniques to build an artificial data augmentation technique suitable for this kind of images. Specifically, we apply the \emph{shades of gray} color constancy technique to color-normalize the entire training set of images, while retaining the estimated illuminants. We then draw one sample from the distribution of training set illuminants and apply it on the normalized image. We employ this technique for training two deep convolutional neural networks for the tasks of skin lesion segmentation and skin lesion classification, in the context of the ISIC 2017 challenge and without using any external dermatologic image set. Our results on the validation set are promising, and will be supplemented with extended results on the hidden test set when available.

研究の動機と目的

• さまざまな取得条件とデバイスにもかかわらず、 Robust な皮膚病変解析を動機づける。
• カラー定数性に基づく拡張を提案し、多様な照明条件を模擬する。
• ISIC 2017 内で外部の皮膚科データを用いずに拡張を皮膚病変のセグメンテーションと分類に適用して評価する。

提案手法

• 訓練画像に対して Shades of Gray カラ―定数性を用いてシーン照明を推定する。
• 画像をホワイトバランスさせ、経験的分布から照明をサンプリングしてカラーキャストされた訓練サンプルを作成する。
• 拡張のために Von Kries に類似した対角線性色適応変換を適用する。
• ガンマ補正拡張を、トランケート正規分布からガンマをサンプリングして適用する。
• 標準的な幾何学的（および非線形）データ拡張を用いてデータ変動性を高める。
• 領域拡張データを用いて、セグメンテーションには U‑Net、分類には 50 層の残差ネットワークを訓練する。

実験結果

リサーチクエスチョン

• RQ1 外部データなしで照明ベースのデータ拡張が深層モデルの dermoscopy タスクの汎化能力を改善できるか。
• RQ2 提案された拡張が ISIC 2017 におけるセグメンテーション精度と分類性能にどのように影響するか。
• RQ3 カラー定数性ベースの拡張は、皮膚画像の照明やデバイス差異の変動に対して頑健か。

主な発見

タスク	ACC	DC	JD	SS	SP
1) セグメンテーション	0.948	0.846	0.767	0.865	0.980
3.1) メラノーマ	0.791	0.?	0.5?	0.833	0.517
3.2) 脂漏性角化症	0.954	0.?	0.5?	0.857	0.870
平均（分類）	0.873	0.723	0.690	0.845	0.694

• セグメンテーション精度（ISIC 2017 バリデーション）：ACC 0.948、Dice 0.846、Jaccard 0.767、感度 0.865、特異度 0.980。
• メラノーマ分類 AUC 0.791、ACC 0.580、AP 0.482、感度 0.833、特異度 0.517。
• 脂漏性角化症分類 AUC 0.954、ACC 0.867、AP 0.898、感度 0.857、特異度 0.870。
• 平均分類指標：AUC 0.873、ACC 0.723、AP 0.690、感度 0.845、特異度 0.694。