[論文レビュー] New pyramidal hybrid textural and deep features based automatic skin cancer classification model: Ensemble DarkNet and textural feature extractor

Mehmet Bayğın, Türker Tuncer+1 more|arXiv (Cornell University)|Mar 28, 2022

Cutaneous Melanoma Detection and Management被引用数 9

ひとこと要約

本稿では、深層学習（Ensemble DarkNet19 および DarkNet53）と手作業で設計されたテクスチャ特徴量（DWT、LPQ、LBP）を組み合わせた新しいピラミッド型ハイブリッド特徴融合モデルを提案し、皮膚がんの自動分類を実現する。近隣成分分析（NCA）を用いて上位1000特徴量を選択した結果、90:10の訓練・テスト分割において95.74％の正確性を達成し、皮膚科診断支援において優れた性能を示した。

ABSTRACT

Background: Skin cancer is one of the widely seen cancer worldwide and automatic classification of skin cancer can be benefited dermatology clinics for an accurate diagnosis. Hence, a machine learning-based automatic skin cancer detection model must be developed. Material and Method: This research interests to overcome automatic skin cancer detection problem. A colored skin cancer image dataset is used. This dataset contains 3297 images with two classes. An automatic multilevel textural and deep features-based model is presented. Multilevel fuse feature generation using discrete wavelet transform (DWT), local phase quantization (LPQ), local binary pattern (LBP), pre-trained DarkNet19, and DarkNet53 are utilized to generate features of the skin cancer images, top 1000 features are selected threshold value-based neighborhood component analysis (NCA). The chosen top 1000 features are classified using the 10-fold cross-validation technique. Results: To obtain results, ten-fold cross-validation is used and 91.54% classification accuracy results are obtained by using the recommended pyramidal hybrid feature generator and NCA selector-based model. Further, various training and testing separation ratios (90:10, 80:20, 70:30, 60:40, 50:50) are used and the maximum classification rate is calculated as 95.74% using the 90:10 separation ratio. Conclusions: The findings and accuracies calculated are denoted that this model can be used in dermatology and pathology clinics to simplify the skin cancer detection process and help physicians.

研究の動機と目的

• 皮膚科診療所における正確で自動化された皮膚がん検出の増大するニーズに対応すること。
• 皮膚腫瘍画像からのマルチレベルの深層特徴量とテクスチャ特徴量を統合することで、分類性能を向上させること。
• クラス分離性に基づいて最適な特徴量サブセットを特定するため、近隣成分分析（NCA）を用いた強固な特徴選択手法を開発すること。
• 一般化性能を保証するため、複数の訓練・テストデータ分割に対してモデル性能を評価すること。
• 病理医や皮膚科医による早期皮膚がん診断を支援できる臨床的実用性のあるツールを提供すること。

提案手法

• モデルは、階層的表現学習のため、事前学習済みのDarkNet19およびDarkNet53ネットワークからの深層特徴量を統合する。
• テクスチャ特徴量は、複数スケールでの離散ウェーブレット変換（DWT）、局所位相量子化（LPQ）、局所バイナリパターン（LBP）を用いて抽出する。
• ピラミッド型統合戦略により、これらのマルチレベル特徴量を統合された表現に統合し、識別力の向上を図る。
• クラス分離性に基づき、最も情報量の多い上位1000特徴量を選択するために近隣成分分析（NCA）を適用する。
• モデル評価およびハイパーパrameterチューニングのため、10分割交差検証戦略を用いる。
• 一般性を評価するため、訓練・テスト比を90:10、80:20などに変更して性能をさらに検証する。

実験結果

リサーチクエスチョン

• RQ1 深層特徴量と手作業で設計されたテクスチャ特徴量のハイブリッド統合は、皮膚がん分類の正確性を向上させることができるか？
• RQ2 高次元特徴空間から最も識別的な特徴量を抽出するために、近隣成分分析（NCA）はどの程度効果的か？
• RQ3 皮膚腫瘍分類において、分類性能を最大化するために最適な訓練・テストデータ分割比は何か？
• RQ4 提案されたピラミッド型特徴統合戦略は、単一モダリティまたは非統合特徴アプローチを上回る性能を示すか？
• RQ5 実臨床での導入において、さまざまなデータ分割戦略に対しても、本モデルは良好な一般化性能を示すか？

主な発見

• 提案モデルは、全データセットを用いた10分割交差検証において91.54％の分類正確性を達成した。
• 90:10の訓練・テストデータ分割で最高の分類正確性95.74％を達成し、優れた一般化性能を示した。
• NCAを用いた特徴選択は次元削減を効果的に行いながら、クラスに特徴的な情報を保持した。
• マルチレベルの深層特徴量とテクスチャ特徴量の統合は、単一特徴量アプローチと比較して、モデル性能を顕著に向上させた。
• さまざまなデータ分割に対して一貫した高い正確性を示し、臨床的適用性を裏付けた。
• 事前学習済みのDarkNet特徴量と手作業で設計されたテクスチャ記述子の統合により、診断の信頼性が向上する可能性がある。