[論文レビュー] II-FCN for skin lesion analysis towards melanoma detection

Hongdiao Wen|arXiv (Cornell University)|Feb 28, 2017

Cutaneous Melanoma Detection and ManagementMedicine参考文献 8被引用数 17

ひとこと要約

本稿では、皮膚がんの分類を目的とした対称的完全畳み込みネットワークII-FCNを提案する。このネットワークはアイデンティティインセプションブロックを備え、拡張畳み込み、条件付きランダムフィールド（CRF）、および損失正規化を施した新しい近似Jaccard係数損失を統合することで、境界の正確性と一般化性能を向上させ、ISBI 2017データセットで過学習を伴わずJaccard係数0.82を達成した。

ABSTRACT

Dermoscopy image detection stays a tough task due to the weak distinguishable property of the object.Although the deep convolution neural network signifigantly boosted the performance on prevelance computer vision tasks in recent years,there remains a room to explore more robust and precise models to the problem of low contrast image segmentation.Towards the challenge of Lesion Segmentation in ISBI 2017,we built a symmetrical identity inception fully convolution network which is based on only 10 reversible inception blocks,every block composed of four convolution branches with combination of different layer depth and kernel size to extract sundry semantic features.Then we proposed an approximate loss function for jaccard index metrics to train our model.To overcome the drawbacks of traditional convolution,we adopted the dilation convolution and conditional random field method to rectify our segmentation.We also introduced multiple ways to prevent the problem of overfitting.The experimental results shows that our model achived jaccard index of 0.82 and kept learning from epoch to epoch.

研究の動機と目的

• 皮膚がん検出のための、コントラストが低く、明確に区別が難しい皮膚病変を含む皮膚画像における課題に対処すること。
• 限られた学習データでも良好に一般化できる、軽量で頑健な完全畳み込みネットワークの開発。
• 拡張畳み込みやCRFといった高度なコンポーネントを統合することで、境界の微調整を図り、分類精度を向上させること。
• 動的データオーグメンテーションと損失正規化を組み合わせることで、深層ネットワークにおける過学習を克服すること。
• 評価指標に直接対応するエンドツーエンド学習が可能な微分可能な近似Jaccard係数損失の提案。

提案手法

• 異なるカーネルサイズと深さを持つ4つの畳み込みブランチで構成される対称的アイデンティティインセプションブロックを提案し、ゼロパディングを用いずに特徴の統合を可能にする。
• 転置畳み込みを用いた可逆的アーキテクチャを採用し、パrameter数を削減しつつ、対称的なエンコーダ・デコーダ構造を実現する。
• 物体の割合に応じて前景および背景ピクセルの重みを再調整する損失関数を導入し、クラス不均衡を緩和する。
• 対数近似を用いた微分可能な近似Jaccard係数損失を設計し、評価指標に直接最適化できるようにする。
• 最終層で拡張畳み込みを適用し、受容 field を拡大し、分類における「ブラックホール」を回避する。
• 境界の微調整と小さな誤検出領域の抑制のため、条件付きランダムフィールド（CRF）を後処理ステップとして適用する。

実験結果

リサーチクエスチョン

• RQ1 アイデンティティインセプションブロックを備えた対称的で軽量な完全畳み込みネットワークは、標準的なFCNアーキテクチャを上回る皮膚病変分類性能を達成できるか？
• RQ2 動的データオーグメンテーションと損失正規化を組み合わせることで、モデルの一般化性能が向上し、過学習が軽減されるか？
• RQ3 近似Jaccard係数損失は、評価指標との整合性を高めるためにどの程度有効か？
• RQ4 拡張畳み込みとCRFの統合は、境界の正確性を向上させ、誤検出を低減するのにどの程度効果的か？
• RQ5 トランスファー学習を用いずに、データオーグメンテーションと損失設計に依存するモデルが、学習から直接高い性能を達成できるか？

主な発見

• II-FCNモデルは、ISBI 2017皮膚画像病変分類ベンチマークでJaccard係数0.82を達成した。
• エポックごとの学習プロセスが一貫しており、効果的な学習と一般化が実現していることが示された。
• CRF後処理ステップにより、ベースラインのJaccard係数が平均0.005向上した。
• 動的データオーグメンテーションと損失正規化の組み合わせにより、訓練データとテストデータの分布差が軽減された。
• アーキテクチャ的および訓練技法的革新のおかげで、限られたデータから学習を開始しても過学習に強く、頑健な性能を示した。
• 近似Jaccard係数損失により、主評価指標に効果的に最適化され、最終性能との強い整合性が確認された。