[論文レビュー] Skin Lesion Segmentation and Classification with Deep Learning System.

Devansh Bisla, Anna Choromanska+3 more|arXiv (Cornell University)|Feb 16, 2019

Cutaneous Melanoma Detection and Management参考文献 22被引用数 13

ひとこと要約

本論文は、専用の遮蔽除去モジュールと生成対抗ネットワーク（GAN）に基づくデータ拡張ユニットを備えた深層学習システムを提案し、データ制限を克服することで、小規模で不均衡かつ遮蔽を含む皮膚腫瘍画像データセットにおいて、標準ベースラインを上回る優れた性能を達成する。実画像の洗浄と、代表されていない腫瘍タイプの合成データ生成により、限られたデータセットにおいても優れた分類性能が実現される。

ABSTRACT

Melanoma is one of the ten most common cancers in the US. Early detection is crucial for survival, but often the cancer is diagnosed in the fatal stage. Deep learning has the potential to improve cancer detection rates, but its applicability to melanoma detection is compromised by the limitations of the available skin lesion databases, which are small, heavily imbalanced, and contain images with occlusions. We build deep-learning-based tools for data purification and augmentation to counter-act these limitations. The developed tools can be utilized in a deep learning system for lesion classification and we show how to build such a system. The system heavily relies on the processing unit for removing image occlusions and the data generation unit, based on generative adversarial networks, for populating scarce lesion classes, or equivalently creating virtual patients with pre-defined types of lesions. We empirically verify our approach and show that incorporating these two units into melanoma detection system results in the superior performance over common baselines.

研究の動機と目的

• メラノーマ検出における小規模で不均衡かつ遮蔽を含む皮膚腫瘍データベースの課題に対処すること。
• 皮膚腫瘍画像からの遮蔽（例：髪、器具）を検出し除去するデータ洗浄ユニットの開発。
• 生成対抗ネットワーク（GAN）を用いて、希少な腫瘍タイプの画像を合成するデータ生成ユニットの設計。
• これらのモジュールを統合し、より優れた腫瘍分類を実現する統合型深層学習システムの構築。
• 標準ベースラインモデルとの性能を実験的に検証すること。

提案手法

• 深層学習を用いて、皮膚腫瘍画像からの遮蔽（例：髪、器具）を検出し除去する処理ユニットを開発。
• GANに基づくデータ生成ユニットを訓練し、代表されていない腫瘍タイプのリアルな画像を合成、仮想患者の作成を実現。
• 洗浄済みの実画像と生成された合成画像を組み合わせ、深層学習分類器を学習。
• 分類器は、実画像と合成データの両方を用いてエンドツーエンドで学習。
• GANジェネレータは、実際の希少クラスの統計的分布に一致する高精細な腫瘍画像を生成するように最適化。
• 全体のシステムは、既知のクラス不均衡および遮蔽問題を有するベンチマーク皮膚腫瘍データセットで評価。

実験結果

リサーチクエスチョン

• RQ1 深層学習に基づく遮蔽除去モジュールは、アーティファクトが存在する状況下でも皮膚腫瘍画像の品質を向上させることができるか？
• RQ2 GANで生成された合成画像は、希少なメラノーマ亜型の分類性能をどの程度向上させることができるか？
• RQ3 データ洗浄とGANベースの拡張を組み合わせることで、全体のモデル精度と耐障害性にどのような影響を与えるか？
• RQ4 提案されたシステムは、小規模で不均衡かつ遮蔽を含む皮膚腫瘍データセットにおいて、標準的な深層学習ベースラインを上回るか？

主な発見

• 提案されたシステムは、不均衡かつ遮蔽を含む皮膚腫瘍データセットにおいて、標準ベースラインモデルを上回る優れた分類性能を達成した。
• データ洗浄ユニットは遮蔽を効果的に除去し、後続の分類に向けた入力データの品質を向上させた。
• GANベースのデータ生成ユニットは、代表されていない腫瘍タイプのリアルな画像を効果的に合成し、学習データの多様性を向上させた。
• 両モジュールの統合により、特に希少腫瘍クラスにおいて、モデルの一般化性能と精度が顕著に向上した。
• 実験的結果から、特にデータ不足や不均衡の処理において、標準的手法を上回る分類指標が確認された。