[論文レビュー] Lesion Net -- Skin Lesion Segmentation Using Coordinate Convolution and Deep Residual Units

Sabari Nathan, Priya Kansal|arXiv (Cornell University)|Dec 28, 2020

Cutaneous Melanoma Detection and Management参考文献 27被引用数 5

ひとこと要約

Lesion Net は、平行移動不変性を向上させるために座標畳み込み層を用い、残差ユニットを用いて深層ネットワークの学習を可能にする深層学習フレームワークを提案する。交差エントロピー損失と Dice 損失を組み合わせることで、ISIC 2018、2017、2016 および PH2 データセットにおいて最先端の性能を達成し、既存手法を上回るか同等のセグメンテーション精度を実現した。

ABSTRACT

Skin lesions segmentation is an important step in the process of automated diagnosis of the skin melanoma. However, the accuracy of segmenting melanomas skin lesions is quite a challenging task due to less data for training, irregular shapes, unclear boundaries, and different skin colors. Our proposed approach helps in improving the accuracy of skin lesion segmentation. Firstly, we have introduced the coordinate convolutional layer before passing the input image into the encoder. This layer helps the network to decide on the features related to translation invariance which further improves the generalization capacity of the model. Secondly, we have leveraged the properties of deep residual units along with the convolutional layers. At last, instead of using only cross-entropy or Dice-loss, we have combined the two-loss functions to optimize the training metrics which helps in converging the loss more quickly and smoothly. After training and validating the proposed model on ISIC 2018 (60% as train set + 20% as validation set), we tested the robustness of our trained model on various other datasets like ISIC 2018 (20% as test-set) ISIC 2017, 2016 and PH2 dataset. The results show that the proposed model either outperform or at par with the existing skin lesion segmentation methods.

研究の動機と目的

• 不規則な形状、不明瞭な境界線、限られたトレーニングデータに直面した皮膚病変のセグメンテーション精度を向上させること。
• 空間的位置情報を符号化する座標畳み込み層を組み込むことで、モデルの一般化性能を向上させること。
• 交差エントロピー損失と Dice 損失を組み合わせることで、学習の安定化と高速化を図ること。
• ISIC 2016、2017、2018 および PH2 を含む複数のベンチマークデータセットにおける耐性を評価すること。
• 多様な肌色や病変の外観に対しても良好に動作するセグメンテーションモデルを開発すること。

提案手法

• エンコーダーの前に座標畳み込み層を導入し、空間的位置情報を注入することで、平行移動不変性と特徴抽出の精度を向上させる。
• 深層残差ユニットを採用することで、より深いネットワークの学習を可能にし、勾配消失問題を緩和する。
• 前景クラスと背景クラスの予測をバランスさせるために、交差エントロピー損失と Dice 損失を組み合わせたマルチ損失最適化戦略を採用する。
• トレーニングに ISIC 2018 の 60%、検証に 20% を使用し、残りの 20% をホールドアウトした ISIC 2018、ISIC 2017、ISIC 2016、PH2 データセットでテストを行う。
• 一般化性能を向上させるために、標準的なデータオーグメンテーションおよび正規化技術を適用する。
• スキップ接続を備えたエンコーダ-デコーダー構造を採用し、空間的詳細を保持することで、高精度なセグメンテーションを実現する。

実験結果

リサーチクエスチョン

• RQ1 座標畳み込みは、不規則な形状や不明瞭な境界線を示す皮膚病変のセグメンテーション性能を向上させることができるか？
• RQ2 残差ユニットの統合は、皮膚病変セグメンテーションにおける学習の安定性とモデル精度を向上させるか？
• RQ3 交差エントロピー損失と Dice 損失を組み合わせた損失関数は、収束速度とセグメンテーション品質にどのような影響を与えるか？
• RQ4 提案されたモデルは、撮影条件や肌色が異なる複数の公開皮膚病変データセットに一般化可能か？
• RQ5 ISIC 2018、2017、2016 および PH2 のようなベンチマークデータセットにおいて、既存の最先端手法を上回る性能を発揮するか？

主な発見

• 提案された Lesion Net は、ISIC 2018 テストセット（20% スプリット）において優れたまたは競争可能な性能を示し、強力な一般化能力を確認した。
• ISIC 2017 および ISIC 2016 データセットにおいて、セグメンテーション精度の面で既存手法を上回った。
• PH2 データセットでは、競争力ある結果を達成し、異なる撮影プロトコルおよび肌色に対しても耐性があることを示した。
• 座標畳み込みと残差ユニットの組み合わせにより、特徴抽出の精度とモデルの一般化能力が向上した。
• 二重損失関数（交差エントロピー + Dice）により、トレーニング中の収束がより速く滑らかになった。
• 多様なデータセットにおいて一貫した性能を示し、病変の外観や肌色の変動に対しても耐性があることを確認した。