[論文レビュー] Towards Automated Melanoma Screening: Proper Computer Vision & Reliable Results.

Michel Fornaciali, Micael Carvalho+3 more|arXiv (Cornell University)|Apr 14, 2016

Cutaneous Melanoma Detection and Management参考文献 70被引用数 24

ひとこと要約

本論文は、高度なボソン・オブ・ビジュアル・ワーズ（BoVW）およびディープニューラルネットワーク（DNN）を用いた、自動メラノーマスクリーニングのための2つの現代的コンピュータビジョンパイプラインを提案し、古典的手法を上回る優れた性能を示している。DNNベースのモデルはAUC 89.3%を達成しており、古典的BoVWベースライン（81.2%）を著しく上回っている。また、透明な手法とコード共有を通じて、医療画像研究における再現性の向上を提唱している。

ABSTRACT

In this paper we survey, analyze and criticize current art on automated melanoma screening, reimplementing a baseline technique, and proposing two novel ones. Melanoma, although highly curable when detected early, ends as one of the most dangerous types of cancer, due to delayed diagnosis and treatment. Its incidence is soaring, much faster than the number of trained professionals able to diagnose it. Automated screening appears as an alternative to make the most of those professionals, focusing their time on the patients at risk while safely discharging the other patients. However, the potential of automated melanoma diagnosis is currently unfulfilled, due to the emphasis of current literature on outdated computer vision models. Even more problematic is the irreproducibility of current art. We show how streamlined pipelines based upon current Computer Vision outperform conventional models - a model based on an advanced bags of words reaches an AUC of 84.6%, and a model based on deep neural networks reaches 89.3%, while the baseline (a classical bag of words) stays at 81.2%. We also initiate a dialog to improve reproducibility in our community

研究の動機と目的

• 発症率の上昇と専門医の不足による、メラノーマの増大する負担に対処すること。
• 現在の自動メラノーマスクリーニングの状況を批判し、古くなったコンピュータビジョンモデルへの依存を指摘すること。
• 現代的技術を用いた2つの新規で簡素化されたパイプライン（高度なBoVWとディープラーニング）を提案・評価すること。
• 複雑な前処理（髪の毛除去や病変セグメンテーション）を必要としない、効率的で現代的なパイプラインが、古典的手法を上回る性能を達成できることを実証すること。
• 小規模なデータセットを対象とした医療コンピュータビジョン研究における再現性と実験的妥当性の向上についての対話を開始すること。

提案手法

• 比較のためのベースラインとして、古典的Bag-of-Visual-Words（BoVW）パイプラインを再実装する。
• BossaNovaフレームワークを用いて、より優れた特徴表現を実現する現代的BoVWパイプラインを開発する。
• 転移学習を用いてエンドツーエンドの特徴学習と分類を実現するディープニューラルネットワーク（DNN）モデルを実装する。
• 髪の毛除去や病変セグメンテーションを省略し、全身の皮膚画像から直接分類を実行する簡素化されたパイプラインを設計する。
• 訓練・テストの厳密な分離が保証された、公開済みで商業ライセンスが適用された皮膚画像データセットを用い、実験の妥当性を確保する。
• 交差検証を適用し、データ漏洩や汚染を防ぐために、固定されたテストセットを用いて一般化性能をストレステストする。

実験結果

リサーチクエスチョン

• RQ1 高度なBoVWやディープラーニングといった現代的コンピュータビジョン技術は、自動メラノーマスクリーニングにおいて、古くなった古典的モデルを上回ることができるか？
• RQ2 髪の毛除去や病変セグメンテーションを省略した簡素化されたパイプラインは、どの程度の信頼性ある性能を達成できるか？
• RQ3 現在の自動メラノーマスクリーニング研究がなぜほとんど再現不可能であるのか、その根本的要因は何か？
• RQ4 小規模データセットを対象とした医療画像研究において、実験的妥当性をどのように向上できるか？
• RQ5 今後の研究で再現性と透明性を高めるための実用的ガイドラインは何か？

主な発見

• ディープニューラルネットワークモデルはAUC 89.3%を達成し、古典的BoVWベースライン（81.2%）を著しく上回った。
• BossaNovaフレームワークを用いた高度なBoVWモデルはAUC 84.6%を達成し、古典的BoVWに比べて現代的特徴表現の利点を示した。
• 髪の毛除去や病変セグメンテーションを省略した簡素化されたパイプラインでも高い性能を達成しており、これらの前処理ステップが信頼性の高い分類に必須ではないことが示された。
• 本研究では、方法論の記述不足、コードの非公開、データ共有の欠如により、現在の文献において広範な再現性の欠如が生じていることを特定した。
• 特に小規模データセットの医療応用において、実験的妥当性を向上させるために、クロスデータセット検証プロトコルと固定テストセットの使用を提唱した。
• 本研究は、小さなデータセットでもメタパrameterチューニングやデータ漏洩によって汚染される可能性があり、結果が無効化されるおそれがあることを強調した。