[論文レビュー] Deep-CLASS at ISIC Machine Learning Challenge 2018

Sara Nasiri, Matthias Jung+2 more|arXiv (Cornell University)|Jul 24, 2018

Cutaneous Melanoma Detection and Management参考文献 2被引用数 3

ひとこと要約

本論文では、ISIC 2018 チャレンジにおける皮膚腫瘍画像からの7種類の皮膚病変タイプを分類するための19層の畳み込みニューラルネットワーク（CNN）フレームワーク、Deep-CLASSを提案する。MATLABを用いたCaffeにおけるデータ増強および微調整されたCNNを用いて、DermatofibromaおよびVascular lesionsでは最大98％の精度を達成し、Melanomaでは82％の精度を示した。これは、多クラス皮膚疾患分類において優れた性能を示している。

ABSTRACT

This paper reports the method and evaluation results of MedAusbild team for ISIC challenge task. Since early 2017, our team has worked on melanoma classification [1][6], and has employed deep learning since beginning of 2018 [7]. Deep learning helps researchers absolutely to treat and detect diseases by analyzing medical data (e.g., medical images). One of the representative models among the various deep-learning models is a convolutional neural network (CNN). Although our team has an experience with segmentation and classification of benign and malignant skin-lesions, we have participated in the task 3 of ISIC Challenge 2018 for classification of seven skin diseases, explained in this paper.

研究の動機と目的

• 皮膚腫瘍画像からの7種類の皮膚病変タイプを正確に分類するためのディープラーニングベースのシステムの開発。
• 医用画像データを用いたエンドツーエンドのディープラーニングにより、Melanomaおよびその他の皮膚がんの検出を向上させること。
• データ増強およびモデル最適化を用いて、皮膚病変分類における不均衡なデータセットの課題に対処すること。
• ISIC 2018ベンチマークデータセットを用いた、カスタムCNNフレームワークの疾患分類性能の評価。

提案手法

• 11個の畳み込み層、5個のマックスプーリング層、3個の全結合層を備えた19層のディープCNNアーキテクチャを設計した。
• 入力画像は128×128×3にリサイズされ、回転および反転によるデータ増強が施され、学習の多様性が向上した。
• モデルはCaffeディープラーニングフレームワークを用いて実装され、最適なパフォーマンスを得るために微調整されたハイパーパrameterで訓練された。
• MATLABを用いてシステム開発が行われ、画像処理、並列計算、およびApp Designerを用いたアプリケーションデプロイが実施された。
• クラスの不均衡に対処するために、クラスウェイトと損失最適化が適用された。
• 評価は、HAM10000データセットからの161枚のホールドアウトテストセットを用いて実施された。

実験結果

リサーチクエスチョン

• RQ1 ディープCNNモデルは、皮膚腫瘍画像からの7つの異なる皮膚病変タイプの分類において高い精度を達成できるか？
• RQ2 データ増強は、不均衡な皮膚病変データセットにおけるモデルの汎化性能にどのように影響するか？
• RQ3 微調整されたCNNモデルは、ISIC 2018タスク3の多クラス皮膚疾患分類ベンチマークでどの程度のパフォーマンスを示すか？
• RQ4 実臨床データセットにおける異なる皮膚病変タイプにおいて、正確性（precision）、再現率（recall）、特異度（specificity）、F1スコアはどのように変動するか？

主な発見

• Dermatofibroma（D）では98％、Vascular lesions（VL）では98％の精度を達成し、レアクラスにおいても優れた性能を示した。
• Melanoma（M）の分類では82％の精度を示したが、感度（再現率）は47％、正確性は30％にとどまり、悪性例の検出に課題があることが明らかになった。
• Melanocytic nevus（N）は最高のF-measure（78％）と正確性（90％）を示し、良性病変に対してモデルの信頼性とパフォーマンスの高さが裏付けられた。
• 混同行列から、Melanomaが頻繁にMelanocytic nevus（N）に誤分類されていることが判明し、クラス間の類似性に起因する課題が示された。
• Basal cell carcinoma（BCC）は92％の精度を達成し、感度は52％、特異度は94％であった。これは中程度の検出能力を示している。
• モデルは良性および血管性病変に対しては頑健であったが、MelanomaおよびAKでは苦戦しており、主にクラスの不均衡と視覚的類似性に起因すると考えられる。