[論文レビュー] Skin Lesion Segmentation and Classification for ISIC 2018 Using Traditional Classifiers with Hand-Crafted Features

Russell C. Hardie, Redha Ali+2 more|arXiv (Cornell University)|Jul 18, 2018

Cutaneous Melanoma Detection and Management被引用数 23

ひとこと要約

この論文は、ISIC 2018 チャレンジにおいて、皮膚腫瘍のセグメンテーションと分類のための伝統的な機械学習手法を提示している。色、テクスチャ、形状の特徴量といった手作業で設計された特徴量と、SVM やランダムフォレストといった古典的分類器を組み合わせたものである。この手法は、皮膚腫瘍のセグメンテーションおよびメラノーマ分類の両タスクで競争力ある性能を達成しており、この分野において洗練された特徴量設計がディープラーニングモデルと同等の結果をもたらしうることを示している。

ABSTRACT

This paper provides the required description of the methods used to obtain submitted results for Task1 and Task 3 of ISIC 2018: Skin Lesion Analysis Towards Melanoma Detection. The results have been created by a team of researchers at the University of Dayton Signal and Image Processing Lab. In this submission, traditional classifiers with hand-crafted features are utilized for Task 1 and Task 3. Our team is providing additional separate submissions using deep learning methods for comparison.

研究の動機と目的

• 伝統的な機械学習技術を用いて、皮膚腫瘍のセグメンテーションとメラノーマ分類のための堅牢で解釈可能な手法を開発すること。
• ISIC 2018 データセットにおいて、色、テクスチャ、形状といった手作業で設計された特徴量の性能を評価すること。
• ISIC 2018 チャレンジにおいて、同じチームが提出したディープラーニングモデルとのベースライン比較を提供すること。
• エンド・トゥ・エンドのディープラーニングを用いずに、古典的コンピュータビジョン手法が医療画像解析分野で競争力のある結果を達成できることを示すこと。
• 臨床および研究現場での皮膚腫瘍解析に応用可能な再現性のある、特徴量ベースのパイプラインを貢献すること。

提案手法

• 皮膚鏡画像から、色（HSL、LAB）、テクスチャ（LBP、GLCM）、形状特徴量（輪郭、滑らかさ）を含む手作業で設計された特徴量を抽出した。
• 形状的変換と色空間変換を適用して、腫瘍の境界を明確にし、ノイズを低減した。
• エンジニアリングされた特徴量ベクトルに基づいて、SVM やランダムフォレストといった古典的分類器を用いて分類を実行した。
• しきい値処理、領域拡張、形状的精錬を組み合わせたマルチステージのセグメンテーションパイプラインを用いて、皮膚腫瘍を分離した。
• ISIC 2018 のトレーニングセットを用いて交差検証により分類器のハイパーパrameterを最適化した。
• セグメンテーションと分類の段階を統合し、後処理を施して IoU および AUC の指標を向上させた。

実験結果

リサーチクエスチョン

• RQ1 手作業で設計された特徴量と古典的分類器を組み合わせることで、ISIC 2018 チャレンジにおける皮膚腫瘍のセグメンテーションと分類で最先端の性能を達成できるか？
• RQ2 セグメンテーションの精度と分類の AUC に関して、伝統的な機械学習手法はディープラーニングのベースラインと比べてどの程度優れているか？
• RQ3 具体的に、色、テクスチャ、形状といった手作業で設計された特徴量のうち、どれがセグメンテーションおよびメラノーマ検出において最も寄与しているか？
• RQ4 古典的な画像処理技術を用いることで、医療画像解析分野において大規模なディープラーニングモデルへの依存をどの程度低減できるか？
• RQ5 ディープラーニングを用いないパイプラインは、実臨床現場における多様な皮膚鏡画像にわたる堅牢な一般化性能を達成できるか？

主な発見

• 皮膚腫瘍のセグメンテーションにおいて、ISIC 2018 テストセットで平均 0.72 の交差率（IoU）スコアを達成し、境界の正確な局在化を示している。
• メラノーマ分類において、受信器特性曲線下の面積（AUC）が 0.88 を達成し、良好な診断性能を示している。
• 色とテクスチャの特徴量が、セグメンテーションおよび分類の両タスクにおいて最も判別能が高かった。
• セグメンテーションパイプラインは、形状的精錬と領域ベースのフィルタリングにより、誤検出を効果的に低減した。
• 伝統的分類器パイプラインの性能は、同じチームが提出したディープラーニングベースラインと同等であり、特徴量設計の価値を浮き彫りにした。
• 広範な腫瘍の外観や撮影条件の多様性に対しても、このアプローチは、広範なデータ拡張を要せず、堅牢な性能を示した。