[論文レビュー] Skin Cancer Images Classification using Transfer Learning Techniques

Md. Sirajul Islam, Sanjeev Panta|arXiv (Cornell University)|Jun 18, 2024

Cutaneous Melanoma Detection and Management被引用数 6

ひとこと要約

この論文は、5つの事前学習済み転移学習モデル（ResNet-50、MobileNet、InceptionV3、InceptionResNetV2、DenseNet-169/201）をデータ拡張とともにISICデータセットの二値皮膚がん分類で評価し、ResNet-50が0.935の精度で最良であると示している。

ABSTRACT

Skin cancer is one of the most common and deadliest types of cancer. Early diagnosis of skin cancer at a benign stage is critical to reducing cancer mortality. To detect skin cancer at an earlier stage an automated system is compulsory that can save the life of many patients. Many previous studies have addressed the problem of skin cancer diagnosis using various deep learning and transfer learning models. However, existing literature has limitations in its accuracy and time-consuming procedure. In this work, we applied five different pre-trained transfer learning approaches for binary classification of skin cancer detection at benign and malignant stages. To increase the accuracy of these models we fine-tune different layers and activation functions. We used a publicly available ISIC dataset to evaluate transfer learning approaches. For model stability, data augmentation techniques are applied to improve the randomness of the input dataset. These approaches are evaluated using different hyperparameters such as batch sizes, epochs, and optimizers. The experimental results show that the ResNet-50 model provides an accuracy of 0.935, F1-score of 0.86, and precision of 0.94.

研究の動機と目的

• 自動化された、より迅速な皮膚がん診断を動機付け、早期発見を支援し、費用の高い手動診断への依存を減らす。
• データ拡張を用いた転移学習モデルがISICの皮膚病変データで既存の手法を上回るかどうかを評価する。
• この二値分類タスクにおける転移学習の最適なハイパーパラメータ（バッチサイズ、学習率、最適化アルゴリズム）を特定する。
• 複数の事前学習済みアーキテクチャを比較し、良性対悪性分類で最も性能の高いモデルを決定する。

提案手法

• ISIC画像を224x224x3にリサイズした上で、5つの事前学習済みCNN（ResNet-50、MobileNet、InceptionV3、InceptionResNetV2、DenseNet-169/201）を微調整する。
• 訓練データをバランス良く拡大するため、データ拡張（回転、反転、明度、ズーム）を適用する。
• ハイパーパラメータを実験する：バッチサイズ（32、64）、学習率（0.0001、0.00001）、最適化アルゴリズム（Adam、SGD）。
• トップ層を平均プーリングおよび全結合層に置換し、二値の良性/悪性分類にはソフトマックスを用いる。
• モデルとハイパーパラメータ全体で、精度、適合率、再現率、F1、ROC-AUC、および混同行列を用いて評価する。

実験結果

リサーチクエスチョン

• RQ1 ISIC上の二値皮膚がん分類で、転移学習モデルは高い精度を達成できるか？
• RQ2 限定的な医用画像データセットに対するデータ拡張がモデルの性能に与える影響はどの程度か？
• RQ3 良性 vs悪性の皮膚病変分類で、最も良い性能を示す事前学習済みアーキテクチャとハイパーパラメータ設定はどれか？
• RQ4 ISICデータセット上で、転移学習モデルは最先端の手法とどう比較されるか？

主な発見

モデル	Accuracy	Precision	Recall	F1 Score	ROC-AUC
ResNet-50	0.935	0.94	0.77	0.86	0.891
MobileNet	0.884	0.91	0.73	0.81	0.824
InceptionV3	0.884	0.91	0.73	0.81	0.824
InceptionResnetv2	0.884	0.91	0.73	0.81	0.824
DenseNet-201	0.884	0.91	0.73	0.81	0.824

• ResNet-50は0.935の精度、0.94の適合率、0.77の再現率、0.86のF1、0.891のROC-AUCで最良の性能を達成した。
• バッチサイズ64、学習率0.0001、Adam最適化アルゴリズムは一般にすべてのモデルで最良の結果をもたらした。
• データ拡張により訓練データが2818サンプルから5636サンプルへ増加し、性能が向上した。
• 他の評価モデル（MobileNet、InceptionV3、InceptionResNetV2、DenseNet-201）は0.884の精度と同様の指標を達成した。
• 本研究はISICの最先端手法と競合すると主張し、小規模データセットに対する転移学習を時間短縮として強調している。