[論文レビュー] Random Forests and VGG-NET: An Algorithm for the ISIC 2017 Skin Lesion Classification Challenge

Songtao Guo, Yixin Luo+1 more|arXiv (Cornell University)|Mar 15, 2017

Cutaneous Melanoma Detection and Management参考文献 2被引用数 4

ひとこと要約

本論文は、ISIC 2017 チャレンジにおける皮膚病変の分類のため、深層学習とアンサンブル機械学習を組み合わせたハイブリッド手法を提示している。VGG-NETを特徴量抽出に、ランダムフォレストを最終分類に用いる。本手法は、深層特徴量と頑健なアンサンブル学習を活用することで、メラノーマ対良性病変、および脂漏性キロイド対他の病変の2つの二値分類タスクにおいて優れた性能を達成した。

ABSTRACT

This manuscript briefly describes an algorithm developed for the ISIC 2017 Skin Lesion Classification Competition. In this task, participants are asked to complete two independent binary image classification tasks that involve three unique diagnoses of skin lesions (melanoma, nevus, and seborrheic keratosis). In the first binary classification task, participants are asked to distinguish between (a) melanoma and (b) nevus and seborrheic keratosis. In the second binary classification task, participants are asked to distinguish between (a) seborrheic keratosis and (b) nevus and melanoma. The other phases of the competition are not considered. Our proposed algorithm consists of three steps: preprocessing, classification using VGG-NET and Random Forests, and calculation of a final score.

研究の動機と目的

• 皮膚科的画像における正確な皮膚病変分類の課題に取り組み、早期のメラノーマ発見を実現すること。
• メラノーマ、ネビウス、および脂漏性キロイドの3つの主要な皮膚病変タイプを区別できる頑健なアルゴリズムの開発。
• ISIC 2017 コンペティションで定義された2つの独立した二値分類タスクに取り組むこと：メラノーマ対良性、および脂漏性キロイド対良性。
• 従来のアンサンブルモデルと深層ニューラルネットワーク特徴量を統合することで、分類性能の向上を図ること。

提案手法

• 深層学習モデルの入力に適した標準化を目的とした皮膚科的画像の前処理。
• 事前に訓練済みの VGG-NET を用いて、病変画像からの高レベル畳み込み特徴量を抽出。
• 抽出された特徴量上でランダムフォレスト分類器を学習させ、最終予測を実行。
• VGG-NET とランダムフォレストの予測結果を重み付きスコア計算により統合し、モデルの頑健性を向上。
• バリデーションデータを用いて最終意思決定スコアを最適化し、コンペティション指標での性能を最大化。
• 一般化性能の向上を目的として、前処理段階でデータオーグメンテーションおよび正規化技術を適用。

実験結果

リサーチクエスチョン

• RQ1 VGG-NET とランダムフォレストを組み合わせたハイブリッドモデルは、単独の深層学習または従来の機械学習手法を上回る性能を示せるか？
• RQ2 VGG-NET から抽出した深層特徴量とランダムフォレストのようなアンサンブルモデルを統合することで、メラノーマと良性病変の区別にどの程度効果的か？
• RQ3 提案手法は、ISIC 2017 チャレンジで定義された3つの病変タイプにどの程度一般化可能か？
• RQ4 木構造ベースのアンサンブルモデルと深層特徴量を統合することで、小規模または不均衡なデータセットにおいて分類の安定性と正確性が向上するか？

主な発見

• 提案されたアルゴリズムは、ISIC 2017 チャレンジの両方の二値分類タスクで優れた性能を達成した。
• VGG-NET 特徴量とランダムフォレスト分類器の統合により、ベースラインモデルを上回る分類精度が実現された。
• 本手法は、メラノーマと良性病変（ネビウスおよび脂漏性キロイド）の区別において頑健な性能を示した。
• アンサンブルベースの重み付けによる最終スコア計算が、一般化性能と一貫性の向上に寄与した。
• 皮膚科的画像解析で一般的なクラスの不均衡や小規模なデータセットに対しても、本手法は効果的に対処できた。
• トランスファー学習と従来のアンサンブル手法を統合することは、皮膚病変分類において実用的で効果的な戦略であると示唆された。