[論文レビュー] Transfer Learning for Melanoma Detection: Participation in ISIC 2017 Skin Lesion Classification Challenge

Dennis H. Murphree, Che Ngufor|arXiv (Cornell University)|Mar 15, 2017

Cutaneous Melanoma Detection and Management参考文献 5被引用数 16

ひとこと要約

本論文は、ISIC 2017 チャレンジにおけるメラノーマ検出のため、事前学習済み Inception V3 を用いた転移学習アプローチを提示している。特徴量抽出と多層パーセプトロンにおける微調整を採用した。この手法は平均AUC 0.80 を達成し、脂漏性キロイドとネビュス／メラノーマを区別する際には 0.84、メラノーマとネビュス／脂漏性キロイドを区別する際には 0.76 を記録した。

ABSTRACT

This manuscript describes our participation in the International Skin Imaging Collaboration's 2017 Skin Lesion Analysis Towards Melanoma Detection competition. We participated in Part 3: Lesion Classification. The two stated goals of this binary image classification challenge were to distinguish between (a) melanoma and (b) nevus and seborrheic keratosis, followed by distinguishing between (a) seborrheic keratosis and (b) nevus and melanoma. We chose a deep neural network approach with a transfer learning strategy, using a pre-trained Inception V3 network as both a feature extractor to provide input for a multi-layer perceptron as well as fine-tuning an augmented Inception network. This approach yielded validation set AUC's of 0.84 on the second task and 0.76 on the first task, for an average AUC of 0.80. We joined the competition unfortunately late, and we look forward to improving on these results.

研究の動機と目的

• 深層学習を用いて、皮膚病変をメラノーマ、ネビュス、脂漏性キロイドに分類する課題に対処すること。
• 限られた学習データを伴う医療画像分類において、事前学習モデルを用いた転移学習の有効性を評価すること。
• メラノーマ対良性病変、および脂漏性キロイド対ネビュス／メラノーマの2つの二値分類タスクにおける分類性能の向上を図ること。
• データ拡張と微調整が皮膚鏡的画像解析におけるモデルの汎化性能に与える影響を調査すること。

提案手法

• 転移学習のための特徴量抽出器として、事前学習済み Inception V3 ネットワークを活用した。
• 抽出された特徴量を多層パーセプトロンへの入力として用い、分類を実行した。
• 特定の皮膚病変データセットに適応させるために、拡張済み Inception V3 ネットワークの微調整を実施した。
• モデルのロバスト性を向上させるとともに過学習を軽減するために、データ拡張技術を適用した。
• ISIC 2017 データセット上でモデルを学習し、2つの二値分類タスクに焦点を当てた。
• バリデーションセットの AUC を主評価指標として用い、モデルを最適化した。

実験結果

リサーチクエスチョン

• RQ1 事前学習済み Inception V3 モデルを用いた転移学習は、データが少ない状況下でも皮膚病変分類の性能を著しく向上させることができるか？
• RQ2 メラノーマと良性病変を区別する際、Inception V3 ネットワークの微調整は、特徴量抽出のみに比べてどのように優れているか？
• RQ3 皮膚鏡的画像分類の文脈において、データ拡張はモデルの汎化性能にどのような影響を与えるか？
• RQ4 まずメラノーマを区別し、次にネビュスと脂漏性キロイドを分離する二段階分類タスクにおいて、モデルの性能はいかがなものか？
• RQ5 転移学習は、小規模な医療画像データセットにおいて、過学習をどの程度軽減できるか？

主な発見

• 2番目の分類タスク、すなわち脂漏性キロイドとネビュス／メラノーマの区別において、バリデーションセットの AUC が 0.84 を記録した。
• 1番目の分類タスク、すなわちメラノーマとネビュス／脂漏性キロイドの区別において、バリデーションセットの AUC が 0.76 を記録した。
• 両タスクの平均 AUC は 0.80 であり、二値分類の挑戦に対して強力な全体的な性能を示している。
• データ拡張を伴う Inception V3 モデルの微調整により、バリデーションセットにおける汎化性能と性能が向上した。
• 遅れてコンペティションに参加したにもかかわらず、転移学習アプローチが有効であることが示された。今後の改善の可能性が示唆された。
• Inception V3 の特徴量の上に多層パーセプトロンを用いることで、堅牢かつ効率的な分類パイプラインが実現された。