[論文レビュー] Global and Local Information Based Deep Network for Skin Lesion Segmentation

Jin Qi, Miao Le+2 more|arXiv (Cornell University)|Mar 16, 2017

Cutaneous Melanoma Detection and Management参考文献 12被引用数 11

ひとこと要約

本論文は、スキップ接続からのマルチスケール予測マップの連結ベースの統合を用いて、局所的およびグローバルな文脈的特徴を統合することで、皮膚腫瘍のセグメンテーションのための新規な完全畳み込みニューラルネットワーク（FCNN）を提案する。VGG-16で微調整を行い、ISBI 2017チャレンジデータセットでテストした結果、事前・事後の処理なしで優れた性能を示した。データ拡張と画像リサイズの低減によりさらなる向上が期待される。

ABSTRACT

With a large influx of dermoscopy images and a growing shortage of dermatologists, automatic dermoscopic image analysis plays an essential role in skin cancer diagnosis. In this paper, a new deep fully convolutional neural network (FCNN) is proposed to automatically segment melanoma out of skin images by end-to-end learning with only pixels and labels as inputs. Our proposed FCNN is capable of using both local and global information to segment melanoma by adopting skipping layers. The public benchmark database consisting of 150 validation images, 600 test images and 2000 training images in the melanoma detection challenge 2017 at International Symposium Biomedical Imaging 2017 is used to test the performance of our algorithm. All large size images (for example, $4000 imes 6000$ pixels) are reduced to much smaller images with $384 imes 384$ pixels (more than 10 times smaller). We got and submitted preliminary results to the challenge without any pre or post processing. The performance of our proposed method could be further improved by data augmentation and by avoiding image size reduction.

研究の動機と目的

• コントラストが低く、境界が曖昧でアーチファクトを含む皮膚腫瘍の自動セグメンテーションの課題に対処すること。
• 完全畳み込みフレームワーク内で局所的およびグローバルな文脈的情報を効果的に統合することで、セグメンテーションの正確性を向上させること。
• データ不足を補うために転移学習を用いた、頑健でエンドツーエンドで学習可能なネットワークの開発。
• 現実的な条件下で、公開のISBI 2017皮膚腫瘍分析チャレンジデータセットを用いて性能を評価すること。

提案手法

• 全結合層を畳み込み層に置き換えた事前学習済みVGG-16ネットワークを特徴抽出に使用し、密度予測を実現する。
• 各プーリング層の後にスキップ接続を導入し、それぞれに1×1畳み込みを適用して、2チャンネル（病変／皮膚）のマルチスケール密度予測マップを生成する。
• すべての予測マップをデコンボリューション層で元の入力解像度（384×384）にアップサンプリングする。
• チャネル次元における連結によりアップサンプリングされたマップを統合し、マルチスケール特徴表現を保持する（12チャンネルの特徴マップ）。
• 連結された特徴マップに最終的な1×1畳み込み層を適用して、最終的なセグメンテーション出力を得る。
• 確率的勾配降下法を用い、転移学習とデータ拡張を組み合わせて、ISBI 2017データセット上でネットワークを微調整する。

実験結果

リサーチクエスチョン

• RQ1 完全畳み込みネットワークは、皮膚画像における局所的およびグローバルな文脈的特徴を効果的に統合し、皮膚腫瘍のセグメンテーションを向上させることができるか？
• RQ2 要素ごとの加算と比較して、マルチスケール予測マップの連結ベースの統合は、セグメンテーションの正確性においてどのように異なるか？
• RQ3 ImageNetからの転移学習は、医療画像の限られたトレーニングデータによる性能低下をどの程度緩和できるか？
• RQ4 画像リサイズはセグメンテーション性能にどのように影響するか？大規模な皮膚画像を384×384ピクセルにダウンスケーリングしない場合、より良い結果が得られるか？

主な発見

• 提案手法は、事前・事後の処理なしに、ISBI 2017皮膚腫瘍分析チャレンジデータセットで競争力あるセグメンテーション性能を達成した。
• 定性的な結果から、コントラストが低い画像、クラス内ばらつきの高い病変、ヘアーや定規などのアーチファクトを含む画像に対しても、頑健なセグメンテーションが可能であることが示された。
• 連結ベースの統合戦略により、より豊富なマルチスケール特徴表現が保持され、局所的およびグローバル特徴の識別能が向上した。
• データ拡張と、4000×6000ピクセルから384×384ピクセルへの画像サイズ低減を回避することで、性能が著しく向上すると予想される。