[論文レビュー] Method to Classify Skin Lesions using Dermoscopic images

Charan, Dusa Sai, Nadipineni, Hemanth+2 more|arXiv (Cornell University)|Aug 21, 2020

Cutaneous Melanoma Detection and Management被引用数 28

ひとこと要約

本論文は、データ拡張、U-Netベースのセグメンテーション、10-fold交差検証を用いた2パス型畳み込みニューラルネットワーク（CNN）を採用することで、皮膚腫瘍画像を用いた自動皮膚腫瘍分類のための深層学習ベースの手法を提案している。モデルは最高で0.886の正解率を達成し、前処理および強固な訓練戦略が不均衡な医療画像データにおける性能向上に顕著に寄与することを示している。

ABSTRACT

Skin cancer is the most common cancer in the existing world constituting one-third of the cancer cases. Benign skin cancers are not fatal, can be cured with proper medication. But it is not the same as the malignant skin cancers. In the case of malignant melanoma, in its peak stage, the maximum life expectancy is less than or equal to 5 years. But, it can be cured if detected in early stages. Though there are numerous clinical procedures, the accuracy of diagnosis falls between 49% to 81% and is time-consuming. So, dermoscopy has been brought into the picture. It helped in increasing the accuracy of diagnosis but could not demolish the error-prone behaviour. A quick and less error-prone solution is needed to diagnose this majorly growing skin cancer. This project deals with the usage of deep learning in skin lesion classification. In this project, an automated model for skin lesion classification using dermoscopic images has been developed with CNN(Convolution Neural Networks) as a training model. Convolution neural networks are known for capturing features of an image. So, they are preferred in analyzing medical images to find the characteristics that drive the model towards success. Techniques like data augmentation for tackling class imbalance, segmentation for focusing on the region of interest and 10-fold cross-validation to make the model robust have been brought into the picture. This project also includes usage of certain preprocessing techniques like brightening the images using piece-wise linear transformation function, grayscale conversion of the image, resize the image. This project throws a set of valuable insights on how the accuracy of the model hikes with the bringing of new input strategies, preprocessing techniques. The best accuracy this model could achieve is 0.886.

研究の動機と目的

• 皮膚腫瘍画像からの自動的で正確かつ強固な深層学習モデルの開発を目的とする。
• 臨床的評価の手作業による誤差と時間消費を低減するため、手作業による臨床的評価の代替を目的とする。
• アフィン変換などのデータ拡張技術を用いて、皮膚腫瘍データセットにおけるクラス不均衡を是正することを目的とする。
• U-Netベースの画像セグメンテーションを適用することで、腫瘍領域へのモデルの注目を高めることを目的とする。
• 10-fold交差検証を用いてモデルの汎化性能と強度を向上させることを目的とする。

提案手法

• 2パス型CNNアーキテクチャを設計し、皮膚腫瘍画像からの階層的特徴を抽出する。1つのパスは元の画像を処理し、もう1つのパスはセグメンテーションされた腫瘍領域を処理する。
• 画像前処理にはグレースケール変換、リサイズ、およびピecewise線形変換を含め、明るさと一貫性を向上させる。
• U-Netベースのセマンティックセグメンテーションを用いて、背景からの腫瘍領域を分離し、非腫瘍皮膚領域からの干渉を低減する。
• アフィン変換（回転、スケーリングなど）を用いたデータ拡張を実施し、少数クラスのサンプルを増加させ、汎化性能を向上させる。
• モデルの性能評価には10-fold交差検証を用い、最終的な正解率はfold単位の正解率の平均として計算される：$ Acc = (\sum_{i=1}^{K} Acc_i)/K $。
• モデルはハイパーパramータを最適化するように調整しながら、ISIC 2018皮膚腫瘍データセットを用いて訓練および検証された。

実験結果

リサーチクエスチョン

• RQ1 画像セグメンテーションの導入が、深層学習を用いた皮膚腫瘍分類の正解率に与える影響は何か？
• RQ2 データ拡張は、不均衡な皮膚腫瘍データセットにおけるモデル性能をどの程度向上させるか？
• RQ3 2パス型CNNアーキテクチャは、単一パス型CNNと比較して、皮膚腫瘍画像分類においてどのように異なるか？
• RQ4 10-fold交差検証は、皮膚腫瘍分類におけるモデルの強度と汎化性能を顕著に向上させるか？
• RQ5 明るさ調整や画像リサイズなどの前処理技術が、モデルの正解率に与える影響は何か？

主な発見

• 完全な前処理、セグメンテーション、データ拡張、および10-fold交差検証を組み合わせたモデルが、0.886の最高正解率を達成した。
• セグメンテーションの導入により、正解率はセグメンテーションなしの0.583から0.886に向上した。これは、腫瘍領域に注目することで特徴学習が向上することを示している。
• データ拡張を交差検証と組み合わせることで、正解率は0.583から0.886に上昇した。これは、クラス不均衡の対処において、データ拡張が極めて重要な役割を果たしていることを示している。
• 2パス型CNNモデルは単一パス型モデルを上回り、正解率は0.814から0.886に上昇した。これは、二重パスによる特徴抽出が性能向上に寄与していることを示している。
• 平坦化層におけるニューロン数は正解率と線形相関を示さず、追加のパラメータが限界を超えると効果が薄れる性能の閾値があることを示している。
• U-Netセグメンテーションモデルは、腫瘍領域を効果的に分離し、ノイズを低減し、モデルが関連する特徴に集中するのを改善した。