[論文レビュー] Skin Lesion Segmentation and Classification for ISIC 2018 by Combining Deep CNN and Handcrafted Features

Redha Ali, Russell C. Hardie+2 more|arXiv (Cornell University)|Aug 14, 2019

Cutaneous Melanoma Detection and Management参考文献 2被引用数 12

ひとこと要約

この論文は、ISIC 2018 チャレンジにおいて、深層畳み込みニューラルネットワーク（CNN）特徴量とハンドクラフト特徴量を融合することで、皮膚腫瘍のセグメンテーションおよび分類のための計算的に効率的な手法を提示している。著者は識別能を向上させるためにハイブリッド特徴量を導入し、これをマルチクラスSVM分類器に供給することで、タスク3で0.841の検証スコアを達成した。

ABSTRACT

This short report describes our submission to the ISIC 2018 Challenge in Skin Lesion Analysis Towards Melanoma Detection for Task1 and Task 3. This work has been accomplished by a team of researchers at the University of Dayton Signal and Image Processing Lab. Our proposed approach is computationally efficient are combines information from both deep learning and handcrafted features. For Task3, we form a new type of image features, called hybrid features, which has stronger discrimination ability than single method features. These features are utilized as inputs to a decision-making model that is based on a multiclass Support Vector Machine (SVM) classifier. The proposed technique is evaluated on online validation databases. Our score was 0.841 with SVM classifier on the validation dataset.

研究の動機と目的

• マルチモodalな特徴融合を用いて、メラノーマの検出における正確な皮膚腫瘍セグメンテーションおよび分類の課題に取り組む。
• 深層学習やハンドクラフト特徴量にのみ依存する限界を克服するため、両者を組み合わせて性能を向上させる。
• 皮膚科画像解析における臨床的デプロイメントに適した、計算的に効率的なアプローチを開発する。
• 深層学習と従来の画像特徴量を組み合わせた新しいハイブリッド特徴表現を導入することで、特徴の識別能を向上させる。
• 強固なハイブリッド特徴量-SVMパイプラインを用いて、ISIC 2018 タスク3ベンチマークで最先端の性能を達成する。

提案手法

• 皮膚腫瘍画像からの階層的・高レベルな表現を捉えるために、深層CNNを用いて特徴抽出を行う。
• 同じ画像からテクスチャ、形状、色などのハンドクラフト特徴量を抽出し、深層特徴量を補完する。
• 深層特徴量とハンドクラフト特徴量を統合して、識別能を向上させる新しいハイブリッド特徴量ベクトルを生成する。
• 最終的な分類のために、ハイブリッド特徴量ベクトルにマルチクラスサポートベクターマシン（SVM）分類器を適用する。
• ISIC 2018のオンライン検証データベース（タスク3：皮膚腫瘍分類）を用いてモデルを最適化する。
• 過度に複雑なアーキテクチャを避けることで、計算効率を確保し、リアルタイム適用を優遇する。

実験結果

リサーチクエスチョン

• RQ1 深層CNN特徴量とハンドクラフト特徴量を統合することで、皮膚腫瘍分析における分類精度が向上するか？
• RQ2 提案されたハイブリッド特徴表現は、メラノーマ検出において単一モodalな特徴抽出よりも優れているか？
• RQ3 ISIC 2018データセットにおいて、統合された深層特徴量とハンドクラフト特徴量を供給されたマルチクラスSVM分類器はどの程度効果的か？
• RQ4 性能向上を達成しつつ、計算効率をどの程度維持できるか？
• RQ5 多様な特徴タイプの統合は、臨床現場における良性および悪性腫瘍の誤分類をどの程度低減できるか？

主な発見

• 提案されたハイブリッド特徴融合アプローチは、ISIC 2018 タスク3ベンチマークで0.841の検証スコアを達成した。
• 深層CNNとハンドクラフト特徴量の統合により、単独で使用する場合と比較して、特徴の識別能が顕著に向上した。
• マルチクラスSVM分類器は検証セットにおいて優れた一般化性能を示し、腫瘍の多様性に対して頑健であることが示された。
• 計算効率が維持されており、臨床環境でのデプロイメントに適していることが確認された。
• 結果から、補完的な特徴タイプの統合が、皮膚腫瘍分類タスクにおけるモデル性能の向上に寄与することが確認された。