[論文レビュー] Skin Lesion Analysis Towards Melanoma Detection Using Deep Learning Network

Yuexiang Li, Linlin Shen|arXiv (Cornell University)|Mar 2, 2017

Cutaneous Melanoma Detection and Management参考文献 21被引用数 9

ひとこと要約

本稿では、皮膚腫瘍のセグメンテーションと粗い分類を統合的に実行するための深層学習フレームワークを提案する。このフレームワークは、2つの完全畳み込み残差ネットワーク（FCRN）と、予測を精緻化するための病変インデックス計算ユニット（LICU）を組み合わせており、皮膚画像の診断的特徴抽出のためのシンプルなCNNも導入している。ISIC 2017テストセットにおいて、各タスクでAUCスコア0.718（タスク1）、0.833（タスク2）、0.823（タスク3）を達成し、メラノーマ検出タスクにおいて優れた性能を示した。

ABSTRACT

Skin lesion is a severe disease in world-wide extent. Early detection of melanoma in dermoscopy images significantly increases the survival rate. However, the accurate recognition of melanoma is extremely challenging due to the following reasons, e.g. low contrast between lesions and skin, visual similarity between melanoma and non-melanoma lesions, etc. Hence, reliable automatic detection of skin tumors is very useful to increase the accuracy and efficiency of pathologists. International Skin Imaging Collaboration (ISIC) is a challenge focusing on the automatic analysis of skin lesion. In this paper, we proposed two deep learning methods to address all the three tasks announced in ISIC 2017, i.e. lesion segmentation (task 1), lesion dermoscopic feature extraction (task 2) and lesion classification (task 3). A deep learning framework consisting of two fully-convolutional residual networks (FCRN) is proposed to simultaneously produce the segmentation result and the coarse classification result. A lesion index calculation unit (LICU) is developed to refine the coarse classification results by calculating the distance heat-map. A straight-forward CNN is proposed for the dermoscopic feature extraction task. To our best knowledges, we are not aware of any previous work proposed for this task. The proposed deep learning frameworks were evaluated on the ISIC 2017 testing set. Experimental results show the promising accuracies of our frameworks, i.e. 0.718 for task 1, 0.833 for task 2 and 0.823 for task 3 were achieved.

研究の動機と目的

• 低コントラストと非メラノーマ病変との視覚的類似性により診断が困難な皮膚鏡画像における正確なメラノーマ検出の課題に対処すること。
• 同時に病変セグメンテーション、皮膚鏡的特徴抽出、分類を実行可能な統合的深層学習フレームワークの開発。
• 距離ヒートマップを用いて粗い予測を精緻化することで分類精度を向上させる、新規の病変インデックス計算ユニット（LICU）の導入。
• 従来の文献では未解決であった、皮膚病変からの皮膚鏡的特徴抽出という新規なタスクに特化した最初の深層学習ソリューションの提供。
• 提案手法をISIC 2017ベンチマークで評価し、3つのタスクすべてで最先端の性能を示すこと。

提案手法

• 二重ブランチの完全畳み込み残差ネットワーク（FCRN）を用いて、皮膚鏡画像から病変セグメンテーションと粗い分類を同時に予測する。
• 病変インデックス計算ユニット（LICU）は、分類出力を精緻化するための距離ヒートマップを計算し、意思決定境界の正確性を向上させる。
• 皮膚鏡的特徴抽出の目的に特化した標準的な畳み込みニューラルネットワーク（CNN）を設計し、テクスチャおよび構造的パターンを捉える。
• FCRNアーキテクチャにより、完全な空間的監視を維持するエンドツーエンド学習が可能となり、高精度なセグメンテーションが実現される。
• フレームワークはISIC 2017データセットを用いて学習および評価され、各タスクに対して標準的な指標が使用された。
• マルチタスク学習の最適化のための損失関数が設計され、セグメンテーション、分類、特徴抽出の各目的のバランスが取られた。

実験結果

リサーチクエスチョン

• RQ1 統合的深層学習フレームワークは、皮膚鏡画像における病変セグメンテーションと粗い分類を効果的に行えるか？
• RQ2 病変インデックス計算ユニット（LICU）は、距離ヒートマップ分析を用いて粗い予測を精緻化することで、メラノーマ分類の正確性をどのように向上させるか？
• RQ3 皮膚病変からの皮膚鏡的特徴抽出という新規なタスクに対して、専用のCNNアーキテクチャは効果的か？
• RQ4 提案されたマルチタスク学習アプローチを用いることで、ISIC 2017ベンチマークでどの程度の性能向上が達成できるか？
• RQ5 提案手法は、皮膚病変解析分野における既存の最先端技術と比較して、どのように優れているか？

主な発見

• 提案フレームワークは、ISIC 2017テストセットにおいて病変セグメンテーションでAUC 0.718を達成し、優れた局在性能を示した。
• 皮膚鏡的特徴抽出タスクではAUC 0.833を達成し、関連する診断的特徴を効果的に捉えていることが示された。
• 分類タスクではAUC 0.823を達成し、メラノーマと非メラノーマ病変を高精度に区別できることを示した。
• 病変インデックス計算ユニット（LICU）の統合により、距離ヒートマップ解析を用いた粗い予測の精緻化によって分類結果が顕著に向上した。
• 本研究では、皮膚鏡的特徴抽出を目的に特化した最初の深層学習アプローチを提示し、自動皮膚病変解析分野における重要な空白を埋めた。
• FCRNを用いたマルチタスク学習フレームワークは、ISIC 2017の3つのタスクすべてで強固な性能を示し、主な指標において先行手法を上回った。