[論文レビュー] LesionSeg: Semantic segmentation of skin lesions using Deep Convolutional Neural Network

Dhanesh Ramachandram, Terrance DeVries|arXiv (Cornell University)|Mar 9, 2017

Cutaneous Melanoma Detection and Management被引用数 6

ひとこと要約

LesionSeg は、アトラス畳み込み、1×1 ネットワークインネットワーク層、およびサブピクセルアップサンプリングを備えた完全畳み込みニューラルネットワークを提案する。このネットワークは、小規模なデータセットからエンド・ツー・エンドで訓練され、皮膚病変の皮膚画像における意味的セグメンテーションを実現する。ISIC 2017 の検証セットで 0.642 の IOU スコアを達成し、肌色、照明、アーティファクトの変動といった困難な現実世界の変化に対しても、頑健な性能を示している。

ABSTRACT

We present a method for skin lesion segmentation for the ISIC 2017 Skin Lesion Segmentation Challenge. Our approach is based on a Fully Convolutional Network architecture which is trained end to end, from scratch, on a limited dataset. Our semantic segmentation architecture utilizes several recent innovations in particularly in the combined use of (i) use of atrous convolutions to increase the effective field of view of the network's receptive field without increasing the number of parameters, (ii) the use of network-in-network $1\ imes1$ convolution layers to add capacity to the network and (iii) state-of-art super-resolution upsampling of predictions using subpixel CNN layers. We reported a mean IOU score of 0.642 on the validation set provided by the organisers.

研究の動機と目的

• 皮膚画像における皮膚病変の意味的セグメンテーションのための、頑健でエンド・ツー・エンドの深層学習手法の開発。
• 肌色のばらつき、不均一な照明、髪の影、低コントラストの病変・背景といった課題への対処。
• 手作業による前処理および後処理パイプラインへの依存を排除し、データから直接特徴を学習することによる実現。
• アーキテクチャの革新を通じて、小規模なデータセットを用いても高いセグメンテーション精度を達成すること。
• 標準的なアップサンプリングの代わりに、サブピクセル畳み込み層を用いて予測の解像度を向上させること。

提案手法

• ネットワークは、2次元畳み込み、バッチ正規化、ReLU 活性化関数を用いた完全畳み込みアーキテクチャを採用する。
• 最終ブロックにレート 2 のアトラス（拡張）畳み込みを適用し、パrameter数を増加させずに受容 field を拡大する。
• パrameter数を増加させずにネットワークの容量とモデルの複雑さを向上させるために、1×1 畳み込み層を挿入する。
• 補間法の代わりに、空間的精度を向上させるために、サブピクセル畳み込み層を用いてスーパーレゾリューションアップサンプリングを実現する。
• データオーグメンテーションには、ランダムな 90 度回転と反転を含み、トレーニング中に画像ごとの標準化も実施する。
• Adam 最適化を用い、ピxls単位の交差エントロピー損失関数と IOU を基準とした早期停止法を用いてモデルを訓練する。

実験結果

リサーチクエスチョン

• RQ1 エンド・ツー・エンドでスクラッチから訓練された完全畳み込みネットワークは、限られたトレーニングデータでも皮膚病変セグメンテーションで高い性能を達成できるか？
• RQ2 パラメータ数を増加させずに、アトラス畳み込みは病変セグメンテーションの文脈的情報を効果的に捉えることができるか？
• RQ3 標準的な補間法と比較して、アップサンプリングにサブピクセル畳み込み層を用いることで、セグメンテーション精度が向上するか？
• RQ4 1×1 畳み込み層は、軽量なセグメンテーションネットワークにおける特徴表現をどの程度向上させることができるか？
• RQ5 髪やマーカーを含む多様な画像解像度および困難な撮影条件において、モデルの一般化性能はどの程度高いか？

主な発見

• モデルは ISIC 2017 検証セットで平均 0.642 の交差領域（IOU）スコアを達成した。
• アトラス畳み込みの適用により、パrameter数を増加させずに受容 field が拡大され、文脈モデリングが向上した。
• サブピクセル畳み込み層は、双線形補間と比較して優れたスーパーレゾリューション結果をもたらし、空間的正確性が向上した。
• 1×1 畳み込みの統合により、計算コストを増加させずにネットワークの容量が向上し、特徴表現が改善された。
• ランダムな回転と反転を用いたデータオーグメンテーションにより、方向変動に対する一般化性能と耐性が向上した。
• モルフォロジカルオープニングとバイキューブ補間を用いた後処理により、誤ったセグメンテーションエラーが低減し、マスク品質が向上した。