[論文レビュー] Dermatologist Level Dermoscopy Skin Cancer Classification Using Different Deep Learning Convolutional Neural Networks Algorithms

Amirreza Rezvantalab, Habib Safigholi+1 more|arXiv (Cornell University)|Oct 21, 2018

Cutaneous Melanoma Detection and Management参考文献 31被引用数 100

ひとこと要約

本論文は eight dermoscopy skin cancer classes に対して事前学習済みCNNを評価し、CNNが皮膚科医を上回ることを示し、DenseNet201 と ResNet152 がトップ ROC-AUC スコアを達成した。

ABSTRACT

In this paper, the effectiveness and capability of convolutional neural networks have been studied in the classification of 8 skin diseases. Different pre-trained state-of-the-art architectures (DenseNet 201, ResNet 152, Inception v3, InceptionResNet v2) were used and applied on 10135 dermoscopy skin images in total (HAM10000: 10015, PH2: 120). The utilized dataset includes 8 diagnostic categories - melanoma, melanocytic nevi, basal cell carcinoma, benign keratosis, actinic keratosis and intraepithelial carcinoma, dermatofibroma, vascular lesions, and atypical nevi. The aim is to compare the ability of deep learning with the performance of highly trained dermatologists. Overall, the mean results show that all deep learning models outperformed dermatologists (at least 11%). The best ROC AUC values for melanoma and basal cell carcinoma are 94.40% (ResNet 152) and 99.30% (DenseNet 201) versus 82.26% and 88.82% of dermatologists, respectively. Also, DenseNet 201 had the highest macro and micro averaged AUC values for overall classification (98.16%, 98.79%, respectively).

研究の動機と目的

• eight dermoscopy skin diseases を分類するための事前学習済みCNNアーキテクチャの有効性を評価する。
• Combined dataset に対して DenseNet201, ResNet152, Inception v3, InceptionResNet v2 の複数のCNNアーキテクチャを比較する。
• ROC AUC 指標を用いてモデルの性能を皮膚科医のベンチマークと比較する。
• 全体分類のマクロおよびマイクロ平均の AUC を最も高くするアーキテクチャを特定する。

提案手法

• DenseNet201, ResNet152, Inception v3, InceptionResNet v2 の事前学習済みCNNアーキテクチャを使用する。
• 10,135 のダーモスコピー画像データセット（HAM10000: 10,015; PH2: 120）に対してモデルを適用する。
• 画像を eight の診断カテゴリに分類する：melanoma, melanocytic nevi, basal cell carcinoma, benign keratosis, actinic keratosis and intraepithelial carcinoma, dermatofibroma, vascular lesions, atypical nevi.
• ROC AUC 指標を各クラスおよび全体について評価する。
• abstract に報告された皮膚科医の性能と CNN の性能を比較する。
• 特定の癌タイプ（例：melanoma、BCC）について最も高い性能を示すアーキテクチャを報告する。

実験結果

リサーチクエスチョン

• RQ1 eight dermoscopy classes に対して事前学習済みCNNは皮膚科医の性能と同等か上回ることができるか。
• RQ2 melanoma および basal cell carcinoma に対して最も高い性能（ROC AUC）を提供するCNNアーキテクチャはどれか。
• RQ3 全体分類におけるトップモデルの macro-および micro-平均 AUC はいくつになるか。

主な発見

• すべてのディープラーニングモデルは皮膚科医を少なくとも 11%上回った。
• Melanoma の ROC AUC: 94.40% with ResNet152; Basal cell carcinoma ROC AUC: 99.30% with DenseNet201.
• Dermatologists' ROC AUC: 82.26% for melanoma and 88.82% for basal cell carcinoma.
• DenseNet201 は全体分類の macro- および micro-平均 AUC で最高を示した（それぞれ 98.16% と 98.79%）。