[論文レビュー] k-Means Clustering and Ensemble of Regressions: An Algorithm for the ISIC 2017 Skin Lesion Segmentation Challenge

David Álvarez, Mónica Iglesias|arXiv (Cornell University)|Feb 23, 2017

Cutaneous Melanoma Detection and Management参考文献 2被引用数 15

ひとこと要約

本論文では、皮膚腫瘍の画像におけるセグメンテーションのためのk-meansクラスタリングとアンサンブル回帰手法を提示しており、臨床医がアノテートした正解と高いジャッカード類似度を達成している。手法は、反射、髪、色のバイアスを除去するための前処理を施し、反復的なk-meansクラスタリングによるセグメンテーションを実行し、10の領域固有特徴を抽出し、ランダムフォレストとイプシロン-SVRモデルの重み付き平均を用いて病変の可能性を予測する。後処理によりマスクの正確性が向上している。

ABSTRACT

This abstract briefly describes a segmentation algorithm developed for the ISIC 2017 Skin Lesion Detection Competition hosted at [ref]. The objective of the competition is to perform a segmentation (in the form of a binary mask image) of skin lesions in dermoscopic images as close as possible to a segmentation performed by trained clinicians, which is taken as ground truth. This project only takes part in the segmentation phase of the challenge. The other phases of the competition (feature extraction and lesion identification) are not considered. The proposed algorithm consists of 4 steps: (1) lesion image preprocessing, (2) image segmentation using k-means clustering of pixel colors, (3) calculation of a set of features describing the properties of each segmented region, and (4) calculation of a final score for each region, representing the likelihood of corresponding to a suitable lesion segmentation. The scores in step (4) are obtained by averaging the results of 2 different regression models using the scores of each region as input. Before using the algorithm these regression models must be trained using the training set of images and ground truth masks provided by the Competition. Steps 2 to 4 are repeated with an increasing number of clusters (and therefore the image is segmented into more regions) until there is no further improvement of the calculated scores.

研究の動機と目的

• 臨床医がアノテートした正解に近い自動セグメンテーションアルゴリズムの開発。
• 反射、髪、色の変動といった、皮膚腫瘍画像における課題に、的を射た前処理で対処すること。
• 複数のモデルを用いた回帰ベースの領域スコアリングとk-meansクラスタリングを組み合わせることで、セグメンテーション精度の向上。
• 最適なクラスタ数を動的に最適化し、セグメンテーション性能を最大化すること。
• 穴埋めと境界のなめらかさ向上を目的とした形態的後処理により、最終マスク品質の向上。

提案手法

• 画像は、アスペクト比を維持するためにゼロパディングを用いて1024×1024ピクセルにリサイズされ、次に明るさの98パーセンタイルの99パーセンタイルを用いた明るさしきい値による反射除去が行われる。
• 髪の除去には、5ピクセルのディスクを用いた形態的クロージャーと、各カラー通道に対して3×3のメディアンフィルタリングが適用される。
• グレイワールド仮説に基づき、色のバランスをとるためにホワイトバランスが適用され、赤と青のチャンネルが相対的な強度比に応じて調整される。
• 反復的なk-meansクラスタリングが実行され、初期クラスタ数は3として開始され、領域スコアの向上が見られなくなるまでクラスタ数を増加させる。
• 各クラスタに対して10の特徴が抽出される：領域面積（ヒストグラムベースの周波数）、位置（画像中心に2次元ガウス分布を配置）、円形度、剛性、平均色（ガウスベースの類似度）、中心色類似度（画像中心とのガウスベース比較）。
• 各領域の最終スコアは、2つの回帰モデルの予測値の平均として計算される：50本のツリーを用いたランダムフォレストと、C=100、γ=0.5、ε=0.2のイプシロン-SVR。両モデルとも、トレーニングセットの特徴ベクトルと対応するジャッカードインデックスを用いて学習される。

実験結果

リサーチクエスチョン

• RQ1 反復的なクラスタ数の最適化を伴うk-meansクラスタリングは、皮膚腫瘍画像におけるセグメンテーション精度を向上させることができるか？
• RQ2 面積、位置、円形度、色類似度といったハンドクラフトされた領域特徴は、セグメンテーション品質の予測にどの程度有効か？
• RQ3 ランダムフォレストとSVRの複数の回帰モデルを組み合わせることで、単一モデルに比べてより良いジャッカードインデックスの予測が得られるか？
• RQ4 反射および髪の除去といった前処理ステップは、セグメンテーション性能の向上にどの程度寄与するか？
• RQ5 病変の境界の過小評価を是正する最適な後処理戦略は何か？

主な発見

• クラスタ数を反復的に増加させることで、スコアの向上が見られなくなるまで最適化することで、セグメンテーション性能が向上した。
• 空間的・形状的・色の特徴を含む10特徴表現により、効果的な領域スコアリングが可能になった。
• ランダムフォレストとイプシロン-SVRのアンサンブルモデルは、線形回帰やk近傍法などの他の回帰モデルに比べ、検証セットで優れた性能を示した。
• 形態的クロージャー（半径30）とダイレータion（半径14）を用いた後処理により、正解と比較して病変境界の過小評価が顕著に減少した。
• 穴埋めと境界のなめらかさ向上処理を施した後、最終的なセグメンテーションマスクは滑らかで完全性が向上した。
• 回帰モデルのトレーニングデータは、領域にナイーブスコア（特徴の合計）を割り当て、実際のジャッカードインデックスとペairedすることで合成された。これにより、効果的なモデル学習が可能になった。