[論文レビュー] ResNet101 and DAE for Enhance Quality and Classification Accuracy in Skin Cancer Imaging

Sibasish Dhibar|arXiv (Cornell University)|Mar 21, 2024

Cutaneous Melanoma Detection and ManagementMedicine被引用数 3

ひとこと要約

本論文では、皮膚腫瘍画像の品質を向上させ、皮膚がん検出の分類精度を向上させるために、ResNet101 と Deep Autoencoder (DAE) を組み合わせたハイブリッドディープラーニングフレームワークを提案する。この手法は、特徴学習とノイズ除去オートエンコーダーを活用して分類の前に入力画像を精錬し、ISIC-2018 データセットで 96.03% の正確性、95.40% の精度、96.05% の再現率、0.9576 の F-スコア、0.98 の AUC を達成した。

ABSTRACT

Skin cancer is a crucial health issue that requires timely detection for higher survival rates. Traditional computer vision techniques face challenges in addressing the advanced variability of skin lesion features, a gap partially bridged by convolutional neural networks (CNNs). To overcome the existing issues, we introduce an innovative convolutional ensemble network approach named deep autoencoder (DAE) with ResNet101. This method utilizes convolution-based deep neural networks for the detection of skin cancer. The ISIC-2018 public data taken from the source is used for experimental results, which demonstrate remarkable performance with the different in terms of performance metrics. The methods result in 96.03% of accuracy, 95.40 % of precision, 96.05% of recall, 0.9576 of F-measure, 0.98 of AUC.

研究の動機と目的

• 皮膚腫瘍の特徴に高いばらつきが生じるという課題に対処すること。
• より良い特徴抽出のため、皮膚腫瘍スキャンの画像品質を向上させること。
• 実世界の皮膚科的画像に対してディープニューラルネットワークを用いて分類性能を向上させること。
• 事前学習済みの ResNet101 を Deep Autoencoder と統合し、共同特徴学習と画像再構築を実現すること。
• 臨床的意義を有するために、ISIC-2018 ベンチマークデータセット上で提案モデルの妥当性を検証すること。

提案手法

• Deep Autoencoder (DAE) を用いて、入力皮膚腫瘍画像の再構築と品質向上を図り、圧縮されたノイズ耐性の高い表現を学習する。
• DAE を ISIC-2018 データセット上でエンドツーエンドに訓練し、階層的特徴を学習し、画像のノイズやアーティファクトを低減する。
• DAE で強化された画像を、特徴抽出および分類のための事前学習済み ResNet101 バックボーンに供給する。
• DAE を用いた画像前処理後に、ISIC-2018 データセット上で ResNet101 の分類ヘッドを微調整することで、トランスファー学習を適用する。
• 交差エントロピー損失と Adam 最適化を用いてアンサンブルモデルを訓練し、正確性、精度、再現率、F1スコア、AUC といった標準指標を用いて評価する。

実験結果

リサーチクエスチョン

• RQ1 DAE を用いた画像強化技術は、より良い後続分類のための皮膚科的画像の品質を向上させることができるか？
• RQ2 ResNet101 と DAE を組み合わせることで、単体の ResNet101 と比較して分類精度が向上するか？
• RQ3 提案手法は、皮膚腫瘍の外観に見られるノイズやばらつきの影響をどの程度低減するか？
• RQ4 オートエンコーディングとリーマン学習を併用することで、ISIC-2018 ベンチマーク上でより良い一般化性能が得られるか？
• RQ5 AUC、F1スコア、および皮膚がんの各クラスにおけるバランスの取れた指標の観点から、モデルの性能はいかがなものか？

主な発見

• 提案手法は、ISIC-2018 データセットで分類正確性 96.03% を達成した。
• モデルは精度 95.40% および再現率 96.05% を示し、精度と感受性のバランスが良好であることを示した。
• F-スコアは 0.9576 に達し、精度と再現率の調和平均が高く保たれていることを反映している。
• 受信者操作特性曲線（ROC）下の面積（AUC）は 0.98 であり、優れた識別性能を示している。
• DAE を用いた画像強化と ResNet101 を用いた分類の統合により、画像品質および指標の一貫性においてベースラインモデルを顕著に上回った。