[論文レビュー] Improving Dermoscopic Image Segmentation with Enhanced Convolutional-Deconvolutional Networks

Yading Yuan, Yeh‐Chi Lo|arXiv (Cornell University)|Sep 28, 2017

Cutaneous Melanoma Detection and Management参考文献 27被引用数 6

ひとこと要約

本論文は、より深いアーキテクチャと小さなカーネル、および複数のカラー空間入力（RGB、HSV、CIELAB）を用いた強化された畳み込み・デコンボリューションニューラルネットワーク（CDNN）を提案し、分類能と学習効率を向上させる。2,000枚のISBI 2017チャレンジ画像で学習した結果、600枚のテストセットで0.765のJaccardインデックスを達成し、コンテストで1位となった。

ABSTRACT

Automatic skin lesion segmentation on dermoscopic images is an essential step in computer-aided diagnosis of melanoma. However, this task is challenging due to significant variations of lesion appearances across different patients. This challenge is further exacerbated when dealing with a large amount of image data. In this paper, we extended our previous work by developing a deeper network architecture with smaller kernels to enhance its discriminant capacity. In addition, we explicitly included color information from multiple color spaces to facilitate network training and thus to further improve the segmentation performance. We extensively evaluated our method on the ISBI 2017 skin lesion segmentation challenge. By training with the 2000 challenge training images, our method achieved an average Jaccard Index (JA) of 0.765 on the 600 challenge testing images, which ranked itself in the first place in the challenge

研究の動機と目的

• 皮膚病変の外観の変動が著しく、画像アーチファクトが多様なため、皮膚病変の自動分類を改善すること。
• より深いネットワークと小さな畳み込みカーネルを用いることで、深層学習モデルの識別能力を向上させること。
• RGBに加えてHSVおよびCIELABの色空間からの色特徴を統合することで、学習の効率性と頑健性を向上させること。
• メラノーマ検出を目的としたISBI 2017皮膚病変分析チャレンジで最先端の性能を達成すること。
• 他の医療画像分類タスクにも適用可能な汎用的なフレームワークを開発すること。

提案手法

• 提案手法は、より深い完全畳み込みネットワーク（FCN）アーキテクチャを採用し、小さな畳み込みカーネルを用いることで、非線形特徴の学習を強化するとともにパラメータ数を削減する。
• HSVの3チャンネルとCIELABの明度（L）チャンネルの色情報がRGBに連結され、補完的な色彩的および輝度特徴が提供される。
• ネットワークは、Jaccard距離に基づく新しい損失関数を用いてエンドツーエンドで学習され、分類性能を直接最適化し、背景よりも病変ピクセルに重点を置く。
• 分類精度と計算コストのバランスを取るために、双線形補間を用いて画像を192×256にリサイズする。
• 複数の色空間でチャンネルごとにデータ拡張を適用し、現実的な画像の外観を維持するとともに一般化性能を向上させる。
• モデルは、2,000枚の学習画像、150枚の検証画像、600枚の盲検証画像を含むISBI 2017チャレンジデータセットで評価される。

実験結果

リサーチクエスチョン

• RQ1 外観の変動が著しい皮膚病変画像において、より深いネットワークと小さなカーネルを用いることで、病変分類性能が向上するか？
• RQ2 RGBに加えてHSVおよびCIELABの色空間からの色特徴を統合することで、RGB単独と比較して学習効率と分類精度が向上するか？
• RQ3 Jaccard距離に基づく損失関数は、病変領域に注目することで学習を最適化し、背景の誤分類を低減することで分類性能を向上させられるか？
• RQ4 本手法は、ISBI 2017皮膚病変分類ベンチマークで最先端の手法と比較してどのように性能を発揮するか？
• RQ5 複数の色空間入力を用いることで、過学習をどれほど軽減し、医療画像分類における頑健性を向上させられるか？

主な発見

• 提案されたCDNNは、ISBI 2017チャレンジのテストセットで平均0.765のJaccardインデックスを達成し、21件の提出の中での1位となった。
• より深いアーキテクチャと小さなカーネルにより、多様な病変の外観と撮影条件に対応するためのモデルの識別能力が顕著に向上した。
• HSVおよびCIELABの色チャンネルをRGBに加えることで、より効率的で頑健なネットワーク学習が実現され、過学習が軽減され、分類精度が向上した。
• Jaccard距離に基づく損失関数により、病変ピクセルへの感受性が向上し、境界予測の正確性を優先することで分類性能が向上した。
• モデルは優れた一般化性能を示し、ISBI 2016およびISBI 2017の両データセットで、以前の最先端手法を上回った。
• 強力な性能を発揮したが、境界が曖昧またはアーチファクトを含む複雑な症例では分類失敗が発生したため、アンサンブルモデルや高度な後処理によるさらなる改善の余地がある。