[論文レビュー] Skin Cancer Segmentation and Classification with NABLA-N and Inception Recurrent Residual Convolutional Networks

Md Zahangir Alom, Theus H. Aspiras+2 more|arXiv (Cornell University)|Apr 25, 2019

Cutaneous Melanoma Detection and Management参考文献 12被引用数 32

ひとこと要約

皮膚鏡検査画像のセグメンテーションのための NABLA-N を導入し、皮膚癌分類のための IRRCNN を提案。ISIC-2018 で評価され、競争力のある結果を示す。

ABSTRACT

In the last few years, Deep Learning (DL) has been showing superior performance in different modalities of biomedical image analysis. Several DL architectures have been proposed for classification, segmentation, and detection tasks in medical imaging and computational pathology. In this paper, we propose a new DL architecture, the NABLA-N network, with better feature fusion techniques in decoding units for dermoscopic image segmentation tasks. The NABLA-N network has several advances for segmentation tasks. First, this model ensures better feature representation for semantic segmentation with a combination of low to high-level feature maps. Second, this network shows better quantitative and qualitative results with the same or fewer network parameters compared to other methods. In addition, the Inception Recurrent Residual Convolutional Neural Network (IRRCNN) model is used for skin cancer classification. The proposed NABLA-N network and IRRCNN models are evaluated for skin cancer segmentation and classification on the benchmark datasets from the International Skin Imaging Collaboration 2018 (ISIC-2018). The experimental results show superior performance on segmentation tasks compared to the Recurrent Residual U-Net (R2U-Net). The classification model shows around 87% testing accuracy for dermoscopic skin cancer classification on ISIC2018 dataset.

研究の動機と目的

• データのセマンティックセグメンテーションを、デコードユニットでの特徴融合を強化した新しい NABLA-N アーキテクチャを用いて高度化する。
• Inception Recurrent Residual Convolutional Neural Network (IRRCNN) による皮膚癌分類性能の向上。
• ISIC-2018 ベンチマークデータセットで R2U-Net より優れたセグメンテーションを示す。
• 皮膚鏡検査用皮膚癌の ISIC-2018 における競争力のある分類精度を示す。

提案手法

• デコード時に低-レベルから高-レベルの特徴マップを統合することで特徴表現を改善した NABLA-N ネットワークを提案。
• 皮膚鏡画像のセグメンテーションタスクに NABLA-N を利用。
• 皮膚癌分類には Inception Recurrent Residual Convolutional Neural Network (IRRCNN) を適用。
• ISIC-2018 ベンチマークデータセットの上で NABLA-N と IRRCNN を評価。
• セグメンテーション性能を Recurrent Residual U-Net (R2U-Net) と比較。
• ISIC-2018 における分類精度を報告（約 87% のテスト精度）。

実験結果

リサーチクエスチョン

• RQ1 NABLA-N は拡張されたマルチスケール特徴融合を通じてデュロスコピー画像のセマンティックセグメンテーションを改善できるか？
• RQ2 IRRCNN は ISIC-2018 で競争力のある皮膚癌分類精度を達成するか？
• RQ3 ISIC-2018 における NABLA-N ベースのセグメンテーション結果は R2U-Net とどう比較されるか？
• RQ4 提案されたアーキテクチャのセグメンテーションと分類における定量的・定性的な利得は何か？

主な発見

• NABLA-N は低レベルから高レベルの特徴マップを融合することでセマンティックセグメンテーションの特徴表現を改善する。
• NABLA-N は競合手法と比較して同じまたは少ないパラメータで優れたセグメンテーション性能を達成する。
• IRRCNN は ISIC-2018 の dermoscopic skin cancer 分類において約 87% のテスト精度を達成する。
• ISIC-2018 ベンチマークで R2U-Net よりセグメンテーション結果が改善されている。
• 提案手法は ISIC-2018 の両タスクで定性的・定量的に強力な結果を示す。