[論文レビュー] Spatially Aware Melanoma Segmentation Using Hybrid Deep Learning Techniques

Mohamed Attia, Mustafa Hossny+2 more|arXiv (Cornell University)|Feb 26, 2017

Cutaneous Melanoma Detection and ManagementMedicine参考文献 2被引用数 16

ひとこと要約

本論文では、畳み込みニューラルネットワーク（CNN）と再帰ニューラルネットワーク（RNN）を組み合わせたハイブリッドディープラーニングモデルを提案し、メラノーマ病変のセグメンテーションにおける空間的正確性を向上させる。CNNによる符号化後に、重複のない画像パッチ間の空間的依存性をRNNでモデル化することで、ISBI 2017チャレンジにおいてFCNおよびSegNetを上回る優れた性能を達成した（ジャッカード指数0.93、Dice係数0.96）。また、後処理を要せず、髪の毛やマーカーなどのアーチファクトに対しても頑健である。

ABSTRACT

In this paper, we proposed using a hybrid method that utilises deep convolutional and recurrent neural networks for accurate delineation of skin lesion of images supplied with ISBI 2017 lesion segmentation challenge. The proposed method was trained using 1800 images and tested on 150 images from ISBI 2017 challenge.

研究の動機と目的

• 完全畳み込みネットワークにおける粗いマックスプーリングによって引き起こされる過剰セグメンテーションを是正すること。
• 特徴量の依存関係を再帰的モデリングすることで、病変境界の明確化における空間的正確性を向上させること。
• 髪の毛、マーカー、低コントラストなどの一般的な画像アーチファクトに対して頑健な手法を開発すること。
• セグメンテーション出力に対して後処理やコントラスト強調を不要とする方法を構築すること。

提案手法

• 入力画像から深層特徴を抽出するために、7層の畳み込み層と2層のマックスプーリング層を有するエンコーダを使用する。
• 入力特徴マップを重複のないパッチに分割し、これらをフラット化して4方向のRNN（水平および垂直スイープ）に供給し、空間的コンテキストをモデル化する。
• 両方向の空間的依存性を捉えるために、前向きおよび後向きの両方向（例：左から右、右から左）で処理を行うカップルドRNNを用いる。
• RNNの出力を連結し、分数ストライド畳み込みを用いたデコンボリューションデコーダーに供給することで、コンテキストに適した特徴を用いてマスクを再構築する。
• 計算効率の良いストライド畳み込みを用いることで、CNNとRNNのコンponentを共同で学習可能にする。
• 学習されたデコンボリューション層を用いて、入力解像度そのままで最終的なセグメンテーションマスクを再構築する。

実験結果

リサーチクエスチョン

• RQ1 再帰ニューラルネットワークは、皮膚病変セグメンテーションにおける特徴マップ間の空間的依存性を効果的にモデル化でき、病変境界の局所化を向上させることができるか？
• RQ2 CNNとRNNを組み合わせることで、標準的なFCNおよびSegNetアーキテクチャと比較して過剰セグメンテーションが低減するか？
• RQ3 ハイブリッドモデルは、コントラストが低い病変や髪の毛やマーカーなどのアーチファクトを伴う病変に対しても、後処理を要せず高い正確性を維持できるか？
• RQ4 本手法は、ISBI 2017ベンチマークにおいて、FCNやSegNetといった最先端モデルと定量的に比較してどのように評価されるか？

主な発見

• 提案手法は、ISBI 2017テストセットにおいて、ジャッカード指数0.93を達成し、SegNet（0.86）およびFCN（0.86）を顕著に上回った。
• モデルはDice係数0.96を示し、正解マスクとの重複が非常に高いことを示した。
• 感度は0.954に達し、特に挑戦的なケースにおいても病変領域の検出能力が優れていた。
• SegNetとは異なり、コントラスト強調や後処理を必要とせず、正確なセグメンテーションを生成した。
• 可視化結果から、髪の毛による遮蔽、マーカーのアーチファクト、低コントラスト病変に対する頑健性が確認された。
• 特異度（0.94）および正確度（0.98）が高く維持されており、多様な病変タイプにわたり信頼性の高い性能を示した。