[論文レビュー] Skin Lesion Classification using Class Activation Map

Xi Jia, Linlin Shen|arXiv (Cornell University)|Mar 3, 2017

Cutaneous Melanoma Detection and Management参考文献 5被引用数 20

ひとこと要約

この論文は、皮膚腫瘍画像における特徴マップ（CAM）を用いて、診断的に関連する領域を局在化し、それらに注目する二段階のディーブラーニングフレームワークを提案する。まずCAMを用いて高活性化領域を特定し、その後その領域を切り取ってネットワークを再訓練することで、分類性能が向上し、ISIC-2017の検証セットにおいて平均AUCが0.857に達した—元の入力画像で学習したモデルに比べ0.04高い。

ABSTRACT

We proposed a two stage framework with only one network to analyze skin lesion images, we firstly trained a convolutional network to classify these images, and cropped the import regions which the network has the maximum activation value. In the second stage, we retrained this CNN with the image regions extracted from stage one and output the final probabilities. The two stage framework achieved a mean AUC of 0.857 in ISIC-2017 skin lesion validation set and is 0.04 higher than that of the original inputs, 0.821.

研究の動機と目的

• 皮膚腫瘍画像における診断的に関連する領域を特定するために、クラス活性化マップ（CAM）を活用して分類精度を向上させること。
• 局在化された高活性化領域に対して再訓練を行うことで分類性能を向上させる二段階のディーブラーニングフレームワークを開発すること。
• CAMを用いて顕著な領域に注目することで、全画像を用いた場合と比較してモデル性能が向上することを示すこと。
• 注目マップを可視化することで解釈可能性を提供し、分類に重要な皮膚腫瘍の特徴を強調すること。
• ISIC-2017皮膚腫瘍分類ベンチマークで最先端の性能を達成すること。

提案手法

• まず、全皮膚腫瘍画像を用いて畳み込みニューラルネットワーク（CNN）を学習させ、分類とクラス活性化マップ（CAM）の生成を行う。
• CAMを用いて予測クラスに対応する最も高い活性化を持つ領域を特定し、これが最も判別的な腫瘍領域を示している。
• CAMで特定された領域に基づいて画像を切り取り、以降の学習に必要な主な腫瘍特徴のみを保持する。
• 同じCNNアーキテクチャを切り取った領域に対して微調整（ファインチューニング）することで分類性能を向上させる。
• 最終的なモデルは、局在化された領域からの精錬済み特徴に基づいてクラス確率を出力する。
• 本手法は、CAM可視化による解釈可能性と、領域に注目した学習による性能向上を組み合わせている。

実験結果

リサーチクエスチョン

• RQ1 クラス活性化マップは、皮膚腫瘍画像における診断的に関連する領域を効果的に局在化できるか？
• RQ2 CAMで選択された領域に対してCNNを再訓練することで、全画像で学習した場合と比較して分類性能が向上するか？
• RQ3 二段階フレームワークは、皮膚腫瘍分類ベンチマークでAUCを向上させながらも、解釈可能性を維持できるか？
• RQ4 ISIC-2017データセットにおいて、CAMベースの手法は全画像を用いた標準的なCNNと比較してどのように性能を発揮するか？
• RQ5 高活性化領域に注目することで、不要な背景や非腫瘍構造からのノイズはどの程度低減されるか？

主な発見

• 二段階フレームワークは、ISIC-2017皮膚腫瘍検証セットにおいて平均受信器操作特性曲線下積分（AUC）0.857を達成した。
• これは、全画像で学習したベースラインモデルの平均AUC0.821よりも0.04高い性能である。
• 本手法は、クラス活性化マップを用いて診断的に関連する領域を効果的に局在化し、腫瘍特徴に注目するモデルの集中力を向上させた。
• AUCの向上は、顕著な腫瘍領域に注目することで分類性能が顕著に向上することを示している。
• フレームワークは解釈可能な注目マップを提供し、モデルの意思決定プロセスを可視化可能である。
• 結果から、CAMによる局在化後に領域ベースで再訓練することは、皮膚腫瘍分類において効果的な戦略であると示された。