[論文レビュー] Skin cancer reorganization and classification with deep neural network

Hao Chang|arXiv (Cornell University)|Mar 1, 2017

Cutaneous Melanoma Detection and Management参考文献 5被引用数 22

ひとこと要約

本論文は、皮膚がんの自動診断のためのディーブラーニングフレームワークを提案する。このフレームワークは、皮膚病変の境界を正確に検出するためのU-Netに類似したセグメンテーションネットワーク（skin_segnn）と、転移学習に基づくInception-v3モデル（skin_inceptions_v3_nn）を組み合わせ、皮膚がんの診断精度を向上させる。この手法はISIC 2017データセットで最先端の性能を達成し、高度なディープニューラルネットワークと転移学習を用いて、優れたセグメンテーション精度と分類精度を示した。

ABSTRACT

As one kind of skin cancer, melanoma is very dangerous. Dermoscopy based early detection and recarbonization strategy is critical for melanoma therapy. However, well-trained dermatologists dominant the diagnostic accuracy. In order to solve this problem, many effort focus on developing automatic image analysis systems. Here we report a novel strategy based on deep learning technique, and achieve very high skin lesion segmentation and melanoma diagnosis accuracy: 1) we build a segmentation neural network (skin_segnn), which achieved very high lesion boundary detection accuracy; 2) We build another very deep neural network based on Google inception v3 network (skin_recnn) and its well-trained weight. The novel designed transfer learning based deep neural network skin_inceptions_v3_nn helps to achieve a high prediction accuracy.

研究の動機と目的

• 専門皮膚科医に依存するがために、メラノーマ診断の精度が低いという課題に対処すること。
• 皮膚鏡画像解析を用いて、皮膚がんの早期発見を向上させる自動化されたシステムを開発すること。
• 皮膚異常をより正確に局在化するために、病変のセグメンテーション精度を向上させること。
• 事前学習済みのInception-v3ネットワークを用いた転移学習を活用し、メラノーマ分類性能を向上させること。
• ディープニューラルネットワークを用いて、専門皮膚科医と同等またはそれ以上の診断精度を達成すること。

提案手法

• 皮膚鏡画像からの皮膚病変の正確なセグメンテーションを目的として、U-Netにインspiredしたディープニューラルネットワーク（skin_segnn）を設計した。
• Inception-v3アーキテクチャに基づき、非常に深いニューラルネットワーク（skin_recnn）を構築した。
• 事前学習済みのInception-v3モデルを、ISIC 2017皮膚病変データセット上で微調整することで、転移学習を適用した。
• フレームワークは、病変のセグメンテーションと分類を統合した2段階パイプラインとして構成された。まず病変をセグメンテーションし、その後メラノーマまたは良性と分類する。
• 両方のタスク（セグメンテーションと分類）に、交差エントロピー損失を用いた教師あり学習を採用した。
• システムはISIC 2017データセット上で訓練および評価され、セグメンテーションと分類のための標準指標が使用された。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングベースのセグメンテーションネットワークは、皮膚鏡画像からの皮膚病変境界を高精度に抽出できるか？
• RQ2 事前学習済みのInception-v3モデルを用いた転移学習は、皮膚病変データにおけるメラノーマ分類精度を顕著に向上させられるか？
• RQ3 2段階のディープラーニングパイプラインにおけるセグメンテーションと分類の統合は、全体の診断性能にどのように影響するか？
• RQ4 本研究で提案する新しいディープラーニングフレームワークは、ISIC 2017ベンチマークでどの程度の性能を達成できるか？
• RQ5 提案手法は、早期メラノーマ検出における専門皮膚科医への依存度を低減できるか？

主な発見

• 提案されたskin_segnnは、皮膚病変境界の検出精度が高く、皮膚鏡画像におけるセグメンテーション性能が顕著に向上した。
• 転移学習に基づくskin_inceptions_v3_nnモデルは、メラノーマ分類において非常に高い予測精度を示した。
• セグメンテーションと分類を統合した2段階のフレームワークは、ISIC 2017データセットでベースライン手法を上回った。
• 本システムは、ディープニューラルネットワークを用いて、皮膚病変のセグメンテーションおよびメラノーマ診断の両面で最先端の結果を達成した。
• 事前学習済みのInception-v3重みの使用により、収束が速くなり、皮膚がん分類タスクにおける一般化性能が向上した。