[論文レビュー] Skin Lesion Segmentation Using Atrous Convolution via DeepLab v3

Yujie Wang, Simon Sun+2 more|arXiv (Cornell University)|Jul 24, 2018

Cutaneous Melanoma Detection and Management参考文献 6被引用数 12

ひとこと要約

本論文では、皮膚腫瘍の分類を目的としたDeepLab v3とアトロス畳み込みを用いた、皮膚腫瘍のセグメンテーション手法を提案している。この手法は、ISIC 2018チャレンジデータセットに適応させたものであり、互換性の問題や限られたトレーニング時間にもかかわらず、平均Jaccard指数0.498を達成した。これは、延長されたトレーニングとハイパーパrameterチューニングによりさらなる改善が期待できるという示唆である。

ABSTRACT

As melanoma diagnoses increase across the US, automated efforts to identify malignant lesions become increasingly of interest to the research community. Segmentation of dermoscopic images is the first step in this process, thus accuracy is crucial. Although techniques utilizing convolutional neural networks have been used in the past for lesion segmentation, we present a solution employing the recently published DeepLab 3, an atrous convolution method for image segmentation. Although the results produced by this run are not ideal, with a mean Jaccard index of 0.498, we believe that with further adjustments and modifications to the compatibility with the DeepLab code and with training on more powerful processing units, this method may achieve better results in future trials.

研究の動機と目的

• 最先端のセマンティックセグメンテーション技術を用いて、自動皮膚腫瘍セグメンテーションのためのディープラーニングベースの手法を開発すること。
• アトロス畳み込みを用いるDeepLab v3フレームワークを、皮膚腫瘍画像のセグメンテーションを目的としたISIC 2018皮膚内視鏡画像データセットに適応させること。
• 主にJaccard指数を指標として、適応化されたモデルの性能を評価すること。
• ISICデータセットをDeepLabコードベースに統合する際の実装上の課題を特定し、それに対する解決策を提示すること。
• 学習率、損失重み、トレーニングステップ数などのハイパーパrameterがセグメンテーション精度に与える影響を調査すること。

提案手法

• モデルは、空間分解能を維持しながら感受野を拡大するための拡張（アトロス）畳み込みに基づくセマンティックセグメンテーションフレームワークであるDeepLab v3を採用している。
• ピラミッドプーリングモジュール内で複数のレートを併用したアトロス畳み込みを並列に適用し、マルチスケールの文脈的情報を捉える。
• PASCAL VOCデータセットからの事前学習済みImageNet重みを用いて微調整を行い、初期学習率を0.001、前景損失重みを100として初期化した。
• ISICデータセットは、画像を513×513にリサイズし、TensorFlowベースのDeepLabと互換性を持つTFRecord形式に変換することで前処理を行った。
• 予測結果と正解マスクのピクセル単位の重複度を比較することで、各予測のJaccard指数を計算するためのカスタム評価スクリプトを開発した。
• 予測結果を元の画像サイズに再スケーリングし、ISICチャレンジのフォーマット要件を満たすために再カラー化するためのポストプロセッシングスクリプトを用いた。

実験結果

リサーチクエスチョン

• RQ1 アトロス畳み込みを用いたDeepLab v3アーキテクチャは、皮膚内視鏡画像において効果的な皮膚腫瘍セグメンテーションを達成できるか？
• RQ2 ISIC 2018データセットにおいて、DeepLab v3の性能は、先行するCNNベースの手法と比べてどうか？
• RQ3 DeepLab v3コードベースをISICデータセットに適応させるにあたり、主な課題は何であり、それらはどのように緩和できるか？
• RQ4 学習率や損失重みなどのハイパーパrameterの選択が、セグメンテーション精度にどの程度の影響を与えるか？
• RQ5 延長されたトレーニングとハイパーパrameterチューニングにより、現在のベースライン0.498を上回るJaccard指数を達成できるか？

主な発見

• 963枚のテスト画像全体で平均Jaccard指数は0.498を記録し、中央値は0.500、標準偏差は0.273であった。
• 963枚の画像のうち、Jaccard指数がISICの基準値0.650を超えたのは僅か34.787%にとどまり、セグメンテーションの成功度は限定的であった。
• 均一な照明と髪や毛包などのアーチファクトが少ない高品質な画像に対して、モデルは最も良好に性能を発揮した。
• 主な誤差要因は、アトロス畳み込みアプローチ自体の限界ではなく、実装および互換性の問題に起因するとされた。
• 特に100ステップを超えた延長されたトレーニングにより、性能向上が期待され、著者らも今後の向上の可能性を示唆している。
• 組み込みのDeepLab評価関数の制限のため、カスタム評価およびポストプロセッシングスクリプトの開発が不可欠であった。