[論文レビュー] Skin Lesion Classification Using Hybrid Deep Neural Networks

Amirreza Mahbod, G. Bradley Schaefer+3 more|arXiv (Cornell University)|Feb 27, 2017

Cutaneous Melanoma Detection and Management参考文献 22被引用数 7

ひとこと要約

本稿では、事前学習済みの畳み込みニューラルネットワーク（AlexNet、VGG16、ResNet-18）を用いて多段階の特徴を抽出し、その後SVMを用いて分類・統合することで、皮膚腫瘍分類の性能を向上させるハイブリッドディープラーニング手法を提案する。ISIC 2017の検証セットにおいて、メラノーマのAUCは83.83%、脂漏性キロイドのAUCは97.55%を達成し、特徴量と分類器の統合の有効性が示された。

ABSTRACT

Skin cancer is one of the major types of cancers with an increasing incidence over the past decades. Accurately diagnosing skin lesions to discriminate between benign and malignant skin lesions is crucial to ensure appropriate patient treatment. While there are many computerised methods for skin lesion classification, convolutional neural networks (CNNs) have been shown to be superior over classical methods. In this work, we propose a fully automatic computerised method for skin lesion classification which employs optimised deep features from a number of well-established CNNs and from different abstraction levels. We use three pre-trained deep models, namely AlexNet, VGG16 and ResNet-18, as deep feature generators. The extracted features then are used to train support vector machine classifiers. In the final stage, the classifier outputs are fused to obtain a classification. Evaluated on the 150 validation images from the ISIC 2017 classification challenge, the proposed method is shown to achieve very good classification performance, yielding an area under receiver operating characteristic curve of 83.83% for melanoma classification and of 97.55% for seborrheic keratosis classification.

研究の動機と目的

• 事前学習済みのディープニューラルネットワークからのトランスファーラーニングを活用して、皮膚腫瘍分類の精度を向上させること。
• 複数のCNNアーキテクチャおよび異なる抽象化レベルからの特徴量を統合することで、分類性能に与える影響を調査すること。
• 皮膚科的画像を用いて、良性ネビ、悪性メラノーマ、脂漏性キロイドを自動で分類するエンドツーエンドの完全自動化手法を開発すること。
• 複数の分類器出力のSVMベースの統合が、皮膚腫瘍タイプ間の識別性能を向上させるかを評価すること。

提案手法

• 各ネットワークの入力サイズに適合するようリサイズした皮膚科的画像に対して、事前学習済みのCNN（AlexNet、VGG16、ResNet-18）を特徴抽出器として用いる。
• 全結合（FC）層および一部のケースでは最後の畳み込み層から特徴量を抽出し、多段階の抽象化を捉える。
• 各個々のネットワークと腫瘍種別に対して、抽出された特徴量上でサポートベクターマシン（SVM）を訓練する。
• 個々のネットワークからの分類器出力を重み付き平均化戦略を用いて統合し、全体の分類性能を向上させる。
• 一般化性能を維持するために、最小限の前処理（ImageNetの平均値差し引き）を適用する。
• AUC（受信器操作特性曲線下の面積）を用いて、ISIC 2017の検証セット上で性能を評価する。

Fig. 1 : Common artefacts in dermoscopic images from the ISIC challenge. Normal image, dark corner artefact, skin hair artefacts, colour chart artefact, ruler marker artefact, ink marker artefact (left to right, top to bottom).

実験結果

リサーチクエスチョン

• RQ1 複数の事前学習済みCNNからの特徴量を統合することで、単一ネットワーク手法を上回る皮膚腫瘍分類性能が達成可能か？
• RQ2 異なる抽象化レベル（例：FC層と畳み込み層）からの特徴量を統合することは、単一層を使用する場合よりも優れた性能をもたらすか？
• RQ3 異なるネットワークからの特徴量で訓練された複数のSVM分類器の統合は、個々のネットワークの性能と比べてどのように異なるか？
• RQ4 ImageNetで事前学習されたモデルからのトランスファーラーニングは、限られた学習データでの皮膚科的画像分類タスクに効果的に一般化可能か？

主な発見

• AlexNet、VGG16、ResNet-18の3つのネットワークを、すべての全結合層からの特徴量を用いて統合した結果、ISIC 2017の検証セットで最高の全体AUC（90.69%）を達成した。
• 提案手法は、メラノーマ分類でAUC 83.83%、脂漏性キロイド分類でAUC 97.55%を達成し、単一ネットワークベースラインを顕著に上回った。
• 単一ネットワーク（例：AlexNet）のすべての全結合層からの特徴量を用いることで、最終のFC8層のみを使用する場合よりも優れた性能が得られたことから、多段階の特徴抽象化の価値が示された。
• 単一ネットワークの中で最も優れた個別結果を示したのはAlexNet（AUC 89.73）であり、浅いアーキテクチャが小さなデータセットではより良い一般化性能を示す可能性があることを示唆した。
• AlexNetとResNet-18の統合によりAUC 90.29%を達成し、多様なアーキテクチャを組み合わせることで性能が向上することを実証した。
• 最小限の前処理でも優れた性能を達成したため、皮膚科的画像データセット全体にわたる堅牢性と一般化可能性が示された。

Fig. 3 : ROC curve of the best performing approach.