[論文レビュー] Skin Lesion Analysis Towards Melanoma Detection via End-to-end Deep Learning of Convolutional Neural Networks

Katherine M. Li, Evelyn C. Li|arXiv (Cornell University)|Jul 22, 2018

Cutaneous Melanoma Detection and Management参考文献 11被引用数 14

ひとこと要約

この論文では、マスクR-CNNと微調整されたCNN（例：DenseNet201）を用いたエンドツーエンドのディープラーニング手法を提示している。ImageNetの事前学習済み重みを活用し、病変診断モデルからの重みでバックボーンを再初期化することで、不均衡なHAM10000データセットにおいて、病変境界のセグメンテーションで0.818のジャッカード係数を達成し、切り出し済み病変画像を用いることで2%の精度向上を達成し、診断性能を顕著に向上させた。

ABSTRACT

This article presents the design, experiments and results of our solution submitted to the 2018 ISIC challenge: Skin Lesion Analysis Towards Melanoma Detection. We design a pipeline using state-of-the-art Convolutional Neural Network (CNN) models for a Lesion Boundary Segmentation task and a Lesion Diagnosis task.

研究の動機と目的

• 最先端のCNNを用いた、皮膚病変のセグメンテーションとメラノーマ診断のためのエンドツーエンドディープラーニングパイプラインの開発。
• HAM10000データセットのクラス不均衡問題に対処するため、クラスウェイトとデータオーグメンテーションを適用。
• 事前学習済み診断モデルからの重みでResNet50バックボーンを再初期化することで、病変境界のセグメンテーションを向上。
• セグメンテーション出力をマスクとして用いて、病変の切り出しの影響を評価。
• 明示的な臨床的特徴（例：ABCDE基準）のアノテーションが存在しない状況において、エンドツーエンド学習がモジュラーフィーチャーベースの手法を上回ることを示すこと。

提案手法

• 病変境界のセグメンテーションに、バックボーンとしてResNet50を用いたマスクR-CNNを採用。全病変を1クラスとし、バックグラウンドクラスを別途定義。
• ResNet50バックボーンをImageNet事前学習済み重みで初期化し、その後、病変診断モデルからの重みを用いて微調整することで、皮膚病変の特徴抽出を向上。
• 全結合層をGlobal Average PoolingとSoftmax分類で構成し、多クラス交差エントロピー損失関数を用いて、複数のCNNアーキテクチャ（ResNet152、DenseNet201、Inception_V4）を用いて多クラス病変診断を訓練。
• HAM10000データセットの深刻なクラス不均衡の影響を軽減するため、損失関数にクラスウェイトを適用。
• タスク1のセグメンテーションマスクを用いて病変領域を切り出し、切り出し済み画像で診断モデルを再訓練することで、病変固有の特徴に焦点を当てる。
• セグメンテーションにはジャッカード係数、診断には正規化された多クラス正答率を用い、データの20%を検証用に分割して性能を評価。

実験結果

リサーチクエスチョン

• RQ1 微調整された特徴抽出を用いたエンドツーエンドディープラーニングは、標準的なImageNet事前学習と比較して、病変境界のセグメンテーション精度を向上させることができるか？
• RQ2 病変診断モデルからの重みでCNNバックボーンを再初期化することで、セグメンテーション性能にどのような影響を与えるか？
• RQ3 セグメンテーションマスクに基づいて病変領域を切り出すことで、多クラス皮膚病変診断の精度はどの程度向上するか？
• RQ4 クラスウェイトは、HAM10000データセットにおけるマイノリティクラス（例：皮膚線維化腫、115枚）の性能低下を効果的に緩和できるか？
• RQ5 臨床的特徴（例：非対称性、径）のグランドトゥルースアノテーションが存在しない状況で、エンドツーエンドアプローチはモジュラーフィーチャーベースのシステムを上回るか？

主な発見

• 病変診断モデルからの重みでResNet50バックボーンを再初期化したことで、検証セットにおける病変境界セグメンテーションのジャッカード係数が0.783から0.818に向上した。
• セグメンテーションマスクから得た切り出し済み病変画像を用いることで、病変診断の正規化多クラス正答率が2%の絶対的向上を達成した。
• 検証済みモデルの中で、DenseNet201が最も優れた性能を示した。交差確認行列から、全クラスにわたる良好な一般化性能が確認された。
• クラスウェイトはマイノリティクラス（例：皮膚線維化腫、115枚）におけるモデル性能を顕著に向上させ、不足しているカテゴリに高い損失重みを割り当てた。
• 切り出しによる性能向上は、セグメンテーション品質に強く依存しており、セグメンテーションと診断のパイプラインが相互に依存していることを示している。
• この設定では、臨床的特徴アノテーション（例：非対称性、径）が存在しないため、エンドツーエンドアプローチがモジュラーフィーチャーベースのシステムを上回った。