[論文レビュー] Deep Learning for Skin Lesion Classification

P. Mirunalini, Chandrabose Aravindan+2 more|arXiv (Cornell University)|Mar 13, 2017

Cutaneous Melanoma Detection and Management参考文献 4被引用数 24

ひとこと要約

この論文は、GoogleのInception-v3モデルからの転移学習を用いて、皮膚腫瘍の自動分類を目的とした2段階のディープラーニングシステムを提案している。特徴抽出段階では1000次元の画像表現を抽出し、2段階目の分類では2層の順方向ネットワークを別々に用いて、良性／悪性（段階1）および黒色腫性／非黒色腫性（段階2）に分類する。ISIC 2017の検証セットにおいて、全体のAUCは65.8%を達成した。

ABSTRACT

Melanoma, a malignant form of skin cancer is very threatening to life. Diagnosis of melanoma at an earlier stage is highly needed as it has a very high cure rate. Benign and malignant forms of skin cancer can be detected by analyzing the lesions present on the surface of the skin using dermoscopic images. In this work, an automated skin lesion detection system has been developed which learns the representation of the image using Google's pretrained CNN model known as Inception-v3 \cite{cnn}. After obtaining the representation vector for our input dermoscopic images we have trained two layer feed forward neural network to classify the images as malignant or benign. The system also classifies the images based on the cause of the cancer either due to melanocytic or non-melanocytic cells using a different neural network. These classification tasks are part of the challenge organized by International Skin Imaging Collaboration (ISIC) 2017. Our system learns to classify the images based on the model built using the training images given in the challenge and the experimental results were evaluated using validation and test sets. Our system has achieved an overall accuracy of 65.8\% for the validation set.

研究の動機と目的

• 深層学習を用いて皮膚腫瘍を良性または悪性に自動分類するシステムの開発を目的とする。
• 皮膚がんの原因を黒色腫性または非黒色腫性に分類する。
• 限られた学習データで分類性能を向上させるために、事前学習済みのInception-v3モデルからの転移学習を活用する。
• 皮膚がんの早期発見の課題に応えるために、皮膚鏡画像からの深層特徴を用いた自動診断を実現する。

提案手法

• 皮膚鏡画像を299×299×3にリサイズし、ミラー、クロッピング、スケーリング、明るさ調整によるデータ拡張を実施する。
• 事前学習済みのInception-v3モデルを用いて、直前の層から1000次元の特徴表現を抽出する。
• 隠れ層に1000ユニット、出力層に2ユニットを有する2層の順方向ニューラルネットワークを、ソフトマックス活性化関数を用いて学習する。
• 段階1（良性／悪性）および段階2（黒色腫性／非黒色腫性）分類の両方において、同じ特徴ベクトルを別々の順方向ネットワークに適用する。
• Adam最適化アルゴリズムと交差エントロピー損失関数を用い、4000イテレーションにわたりネットワークを最適化する。
• ISIC 2017チャレンジデータセットの検証セット（150枚）を用いて性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 事前学習済みのInception-v3モデルからの転移学習は、皮膚鏡画像を用いて皮膚腫瘍を良性または悪性に効果的に分類できるか？
• RQ2 同じく学習された画像表現を用いて、皮膚がんの原因を黒色腫性と非黒色腫性に区別できるか？
• RQ3 従来の特徴工学的手法と比較して、2段階分類システムの性能はどのように異なるか？
• RQ4 ISIC 2017検証セットで安定した性能を得るための最適な学習イテレーション数は何か？

主な発見

• 段階1（良性／悪性分類）において、検証セットで72%の正解率を達成した。
• 段階2（黒色腫性／非黒色腫性分類）において、検証セットで71%の正解率を達成した。
• 検証セット全体の受信器操作特性曲線下積分（AUC）は65.8%であり、中程度の診断性能を示した。
• 4000イテレーション時点で、段階1の訓練正解率は82.5%、段階2は81.4%に達しており、学習データに対して良好な収束が見られた。
• 訓練損失曲線から、4000イテレーションにわたり損失関数が効果的に最小化されていることが示された。
• ミラー、クロッピング、明るさ調整などのデータ拡張技術の活用により、モデルの汎化性能が向上した。