[論文レビュー] The Fast and Accurate Approach to Detection and Segmentation of Melanoma Skin Cancer using Fine-tuned Yolov3 and SegNet Based on Deep Transfer Learning

Mohamad Taghizadeh, Karim Mohammadi|arXiv (Cornell University)|Oct 11, 2022

Cutaneous Melanoma Detection and Management被引用数 5

ひとこと要約

本論文は、転移学習を用いて微調整されたYOLOv3を用いた高速かつ高精度なメラノーマ病変検出と、微調整されたSegNetを用いた高精度なセグメンテーションを組み合わせた2段階のディープラーニングパイプラインを提案している。ISIC 2018データセットを用いた実験で、検出タスクでは96%のmAP、セグメンテーションタスクでは95.16%の精度を達成した。

ABSTRACT

Melanoma is one of the most serious skin cancers that can occur in any part of the human skin. Early diagnosis of melanoma lesions will significantly increase their chances of being cured. Improving melanoma segmentation will help doctors or surgical robots remove the lesion more accurately from body parts. Recently, the learning-based segmentation methods achieved desired results in image segmentation compared to traditional algorithms. This study proposes a new approach to improve melanoma skin lesions detection and segmentation by defining a two-step pipeline based on deep learning models. Our methods were evaluated on ISIC 2018 (Skin Lesion Analysis Towards Melanoma Detection Challenge Dataset) well-known dataset. The proposed methods consist of two main parts for real-time detection of lesion location and segmentation. In the detection section, the location of the skin lesion is precisely detected by the fine-tuned You Only Look Once version 3 (F-YOLOv3) and then fed into the fine-tuned Segmentation Network (F-SegNet). Skin lesion localization helps to reduce the unnecessary calculation of whole images for segmentation. The results show that our proposed F-YOLOv3 performs better at 96% in mean Average Precision (mAP). Compared to state-of-the-art segmentation approaches, our F-SegNet achieves higher performance with 95.16% accuracy.

研究の動機と目的

• 患者の生存率を向上させるために、早期かつ正確なメラノーマ診断のニーズに対応する。
• 従来のセグメンテーション手法の限界を克服し、ディープラーニングを活用して病変境界の局所化を向上させる。
• 病変領域にのみセグメンテーションを適用することで、計算負荷を低減する、リアルタイムで効率的なパイプラインを開発する。
• 大規模かつ多様な皮膚病変データセットを用いた転移学習による微調整を通じて、セグメンテーションの精度を向上させる。
• 統合されたディープラーニングフレームワークを用いて、メラノーマ皮膚がんの検出およびセグメンテーションタスクで最先端の性能を達成する。

提案手法

• ImageNetの事前学習済み重みを活用し、ISIC 2018データセット上でYOLOv3を微調整（F-YOLOv3）して、高精度かつ高速なメラノーマ病変検出を実現する。
• F-YOLOv3のバウンディングボックス出力を用いて、画像の入力を病変領域にクロップし、セグメンテーションの計算負荷を低減する。
• 同じデータセットを用いて転移学習を適用し、SegNetを微調整（F-SegNet）して、メラノーマ病変のピクセル単位のセグメンテーションを実行する。
• データオーグメンテーションおよび転移学習技術を適用して、限られた医療画像データに対して一般化性能と性能を向上させる。
• 2段階のパイプラインを設計：最初にF-YOLOv3による検出、次にクロップされた病変領域におけるF-SegNetによるセグメンテーション。
• 両モデルの最適化に交差エントロピー損失関数とAdam最適化アルゴリズムを用い、収束性およびセグメンテーション精度の向上を図る。

実験結果

リサーチクエスチョン

• RQ1 オブジェクト検出とセマンティックセグメンテーションを組み合わせた2段階のディープラーニングパイプラインは、単一段階手法と比較して、メラノーマ病変の検出およびセグメンテーション精度を向上させることができるか？
• RQ2 転移学習を用いてYOLOv3を微調整することで、ISIC 2018データセットにおける検出mAPはどの程度向上するか？
• RQ3 微調整されたSegNetの性能は、メラノーマ病変のセグメンテーションにおいて、最先端のセグメンテーションモデルと比較してどうなるか？
• RQ4 検出された病変領域に限定してセグメンテーションを実行することで、計算コストは顕著に低減されるが、高精度を維持できるか？
• RQ5 転移学習およびデータオーグメンテーションは、医療画像における皮膚病変セグメンテーションのモデル一般化性能にどのような影響を与えるか？

主な発見

• 提案されたF-YOLOv3は、ISIC 2018データセットで平均平均精度（mAP）96%を達成し、多数の既存検出モデルを上回った。
• 微調整されたSegNet（F-SegNet）は、セグメンテーション精度95.16%を達成し、最先端のセグメンテーション手法と比較して優れた性能を示した。
• 2段階のパイプラインにより、F-YOLOv3が特定した病変領域に限定してセグメンテーションを実行することで、不要な計算を顕著に削減した。
• ImageNetの事前学習済み重みを用いた転移学習は、限られた医療画像データセットにおいてモデルの収束性および性能を顕著に向上させた。
• F-YOLOv3とF-SegNetの統合により、リアルタイムでの検出と高精度なセグメンテーションが可能となり、臨床応用に適した性能を発揮した。
• 結果から、転移学習を用いたオブジェクト検出とセマンティックセグメンテーションの統合は、メラノーマ診断において極めて効果的な戦略であると確認された。