[論文レビュー] DenseNet approach to segmentation and classification of dermatoscopic skin lesions images

Reza Zare, Arash Pourkazemi|arXiv (Cornell University)|Oct 9, 2021

Cutaneous Melanoma Detection and Management被引用数 5

ひとこと要約

本論文では、皮膚鏡的皮膚腫瘍の正確なセグメンテーションを実現するU-Netと、正確な分類を実現するDenseNet121を組み合わせたハイブリッドディープラーニングフレームワークを提案する。ISIC-2018およびHAM10000データセットを用いた評価において、非がん性とがん性の腫瘍を区別する精度が93.11%に達し、皮膚がん診断におけるセグメンテーションおよび多クラス分類タスクの両面で優れた性能を示した。

ABSTRACT

At present, cancer is one of the most important health issues in the world. Because early detection and appropriate treatment in cancer are very effective in the recovery and survival of patients, image processing as a diagnostic tool can help doctors to diagnose in the first recognition of cancer. One of the most important steps in diagnosing a skin lesion is to automatically detect the border of the skin image because the accuracy of the next steps depends on it. If these subtleties are identified, they can have a great impact on the diagnosis of the disease. Therefore, there is a good opportunity to develop more accurate algorithms to analyze such images. This paper proposes an improved method for segmentation and classification for skin lesions using two architectures, the U-Net for image segmentation and the DenseNet121 for image classification which have excellent accuracy. We tested the segmentation architecture of our model on the ISIC-2018 dataset and the classification on the HAM10000 dataset. Our results show that the combination of U-Net and DenseNet121 architectures provides acceptable results in dermatoscopic image analysis compared to previous research. Another classification examined in this study is cancerous and non-cancerous samples. In this classification, cancerous and non-cancerous samples were detected in DenseNet121 network with 79.49% and 93.11% accuracy respectively.

研究の動機と目的

• 皮膚がんの早期発見を目的として、皮膚鏡的皮膚腫瘍画像の自動的セグメンテーションおよび分類の精度を向上させること。
• 診断精度に顕著な影響を与える正確な病変境界の検出という課題に対処すること。
• 標準化された皮膚鏡的データセット上で、U-NetおよびDenseNet121のアンサンブルモデルの性能を評価すること。
• 高い精度で病変をがん性または非がん性に分類できる能力をモデルが有しているかを評価すること。
• ディープラーニングを用いた皮膚科分野における臨床的意思決定支援のための強固でエンドツーエンドのソリューションを提供すること。

提案手法

• 皮膚腫瘍の境界を正確に特定できるよう、セマンティックセグメンテーションにU-Netアーキテクチャを活用する。
• 特徴の再利用と勾配の流れの改善を図るため、密接接続構造を有するDenseNet121を分類のバックボーンとして採用する。
• セグメンテーションの訓練にはISIC-2018データセット、分類の訓練にはHAM10000データセットをそれぞれ使用して、エンドツーエンドで学習を実施する。
• 限られた皮膚鏡的データに対して収束性と性能を向上させるために、ImageNetで事前学習された重みを用いた転移学習を適用する。
• Adam最適化手法および学習率スケジューリングを含む、標準的なディープラーニング最適化技術を用いる。
• 一般化性能を向上させるために、回転、反転、色合いの変更などのデータ拡張戦略を適用する。

実験結果

リサーチクエスチョン

• RQ1 U-NetおよびDenseNet121のハイブリッドモデルは、従来の手法と比較して皮膚鏡的画像における優れたセグメンテーションおよび分類性能を達成できるか？
• RQ2 HAM10000データセットを用いて、このモデルはがん性と非がん性の皮膚腫瘍をどれほど正確に区別できるか？
• RQ3 正確な病変セグメンテーションは、皮膚がん診断における下流の分類精度をどの程度向上させるか？
• RQ4 ISIC-2018データセットにおいて、Dice係数やIoUといったセグメンテーション指標の観点から、モデルの性能はいかがなものか？
• RQ5 多様な皮膚鏡的画像の分布にわたって、モデルの一般化能力はどの程度か？

主な発見

• 提案されたモデルは、HAM10000データセットにおいて非がん性皮膚腫瘍を93.11%の精度で分類した。
• がん性病変の同定において79.49%の精度を達成し、悪性例を効果的に区別できる優れた性能を示した。
• U-NetとDenseNet121の統合により、それぞれISIC-2018およびHAM10000データセットにおいて、妥当なセグメンテーションおよび分類結果が得られた。
• DenseNet121の使用により、密接接続構造のおかげで効果的な特徴学習が可能となり、分類のロバスト性が向上した。
• 正確な病変局在と高い診断精度を併せ持つことから、臨床的意思決定支援ツールとしての可能性を示した。
• 結果から、本フレームワークは皮膚鏡的画像における統合的セグメンテーションおよび分類タスクにおいて、従来のアプローチを上回ることが示された。