[論文レビュー] Skin Lesion Classification Using Deep Multi-scale Convolutional Neural Networks

Terrance DeVries, Dhanesh Ramachandram|arXiv (Cornell University)|Mar 4, 2017

Cutaneous Melanoma Detection and Management参考文献 3被引用数 48

ひとこと要約

この論文では、微調整されたInception-v3を用いた深層マルチスケール畳み込みニューラルネットワークを提案し、皮膚病変を黒色腫、ネビス、脂漏性角化症に分類する。低解像度および高解像度の入力からの特徴を統合し、データ拡張、アンサンブル、後処理を適用することで、ISIC 2017の検証セットで平均AUC 0.943を達成した。

ABSTRACT

We present a deep learning approach to the ISIC 2017 Skin Lesion Classification Challenge using a multi-scale convolutional neural network. Our approach utilizes an Inception-v3 network pre-trained on the ImageNet dataset, which is fine-tuned for skin lesion classification using two different scales of input images.

研究の動機と目的

• 限られた皮膚科的画像データを用いた良性および悪性皮膚病変の分類の課題に対処すること。
• 小さな学習データセットであっても、黒色腫、ネビス、脂漏性角化症の分類精度を向上させること。
• マルチスケール入力を活用し、病変の全体的な構造と微細なテクスチャ的特徴を捉えることで、より優れた特徴表現を実現すること。
• データ拡張、バッチ正規化、および小さなデータセットにおけるモデルアンサンブルを通じて過学習を軽減すること。

提案手法

• ISIC 2017の皮膚科的画像に、ImageNetで事前学習されたInception-v3ネットワークを2つの入力スケール（224×224（粗い）および448×448の中央クロップ（細かい））で微調整する。
• 両スケールからのグローバル平均プーリング特徴を連結し、4096次元のベクトルとして統合表現を生成する。
• ReLU活性化関数を用いた全結合層の後に、3クラス分類用の3-wayソフトマックスを適用する。
• 段階的フリーズ解除を用いたトランスファー学習：初期段階ではInception層をすべて固定し、その後微調整段階で最後の2つのインセプションモジュールを解放する。
• 訓練中に90°回転とランダムミラーを用いたデータ拡張を実施し、耐性を高め、過学習を軽減する。
• テスト時拡張では、各テスト画像を8通りの変換版に分け、その予測値の平均をとり、10個の多様なモデル間で幾何的アンサンブル平均を適用する。

実験結果

リサーチクエスチョン

• RQ1 ISIC 2017のような小さな限られたデータセットにおいて、マルチスケールディープラーニングアプローチが皮膚病変分類性能を向上させられるか？
• RQ2 粗いスケールと細かいスケールの入力間での特徴共有は、病変の識別を強化するためにどの程度有効か？
• RQ3 データ拡張とモデルアンサンブルは、限られた学習データにおける皮膚病変分類の過学習をどの程度軽減できるか？
• RQ4 皮膚科的画像に事前学習済みInception-v3モデルを微調整することで、より大きなデータセットと比較して競争力のある結果が得られるか？

主な発見

• アンサンブルモデルは、ISIC 2017の検証セットにおいて、全3クラスで平均正解率0.903を達成した。
• 黒色腫分類ではAUCが0.896に達し、悪性と良性の病変を良好に区別できることを示した。
• 脂漏性角化症では、驚異的なAUC 0.990を達成し、他のクラスとほぼ完全に分離できることを示した。
• ISIC_MSK2_1からの追加学習データの活用により、黒色腫の予測性能が向上したが、クラス不均衡のため脂漏性角化症にはほとんど影響がなかった。
• テスト時拡張として8通りの画像変換（回転およびミラー）を適用することで、予測の安定性と一般化性能が向上した。
• ハイパーパramータや訓練フォールドが異なる10個のモデルをアンサンブルすることで、顕著な性能向上が得られ、小さなデータ環境におけるモデル多様性の価値を示した。