[論文レビュー] UCM-Net: A Lightweight and Efficient Solution for Skin Lesion Segmentation using MLP and CNN

Chunyu Yuan, Dongfang Zhao+1 more|arXiv (Cornell University)|Oct 14, 2023

Cutaneous Melanoma Detection and Management被引用数 4

ひとこと要約

UCM-Net は、マルチレイヤーパーセプトロン（MLP）と畳み込みニューラルネットワーク（CNN）を新しい UCM-Net ブロックを介して統合することで、軽量で効率的な深層学習モデルを提案し、50KB未満のパラメータと 0.05 GLOPs 未満の計算コストを実現した。これにより、モバイルヘルスデバイスへのデプロイが可能になった。

ABSTRACT

Skin cancer poses a significant public health challenge, necessitating efficient diagnostic tools. We introduce UCM-Net, a novel skin lesion segmentation model combining Multi-Layer Perceptrons (MLP) and Convolutional Neural Networks (CNN). This lightweight, efficient architecture, deviating from traditional UNet designs, dramatically reduces computational demands, making it ideal for mobile health applications. Evaluated on PH2, ISIC 2017, and ISIC 2018 datasets, UCM-Net demonstrates robust performance with fewer than 50KB parameters and requires less than 0.05 Giga Operations Per Second (GLOPs). Moreover, its minimal memory requirement is just 1.19MB in CPU environment positions. It is a potential benchmark for efficiency in skin lesion segmentation, suitable for deployment in resource-constrained settings. In order to facilitate accessibility and further research in the field, the UCM-Net source code is https://github.com/chunyuyuan/UCM-Net.

研究の動機と目的

• リソース制限のあるモバイル機器やポイント・オブ・ケア機器に高精度な皮膚腫瘍分類モデルをデプロイする課題に対処すること。
• 高い計算リソースと多数のパラメータを必要とする既存の深層学習モデルの限界を克服すること。
• CNN と MLP を統合したハイブリッドアーキテクチャを構築し、特徴量学習を向上させつつ、モデルサイズと推論コストを最小限に抑えること。
• 多様な外観、不明瞭な境界線、画像アーチファクトを示す複雑な皮膚腫瘍画像においても、分類精度を向上させること。
• 非常に効率的で低フットプリントなモデルにより、モバイルデバイス上でリアルタイムの皮膚がん診断を実現すること。

提案手法

• CNN と MLP のコンponentを統合したハイブリッドモジュール「UCM-Net ブロック」を提案し、パラメータ数を削減しつつ特徴表現を向上させること。
• 複数の UCM-Net ブロックを用いた、軽量な U-Net ベースのエンコーダーデコーダー構造を設計し、最小限のパラメータで高い分類性能を維持すること。
• 複数の損失成分を同時に最適化することで、学習の安定性と分類精度を向上させるために「グループ損失関数」を導入すること。
• 特徴量階層と空間解像度を維持しつつ、ネットワークの深さと幅を削減することで、モデルの効率性を最適化すること。
• UCM-Net ブロックを通じてチャネル別およびディープワイズ分離畳み込みを暗黙的に活用し、FLOPs とパラメータ数を削減すること。
• 標準的なデータオーグメンテーションと学習率スケジューリングを用いて、ISIC2017 および ISIC2018 データセット上でモデルを訓練および微調整すること。

実験結果

リサーチクエスチョン

• RQ1 ハイブリッド CNN-MLP アーキテクチャは、大幅に小型化されたモデルサイズと低い計算コストで、優れた皮膚腫瘍分類性能を達成できるか？
• RQ2 標準的な畳み込みブロックと比較して、提案された UCM-Net ブロックはパラメータ効率性と分類精度の両面で優れているか？
• RQ3 グループ損失関数は、皮膚腫瘍分類における標準的な損失関数と比較して、どの程度分類性能を向上させるか？
• RQ4 50KB 未満のパラメータと 0.05 GLOPs 未満の計算コストを持つモデルが、ベンチマーク皮膚腫瘍分類データセットで最先端の性能を達成できるか？
• RQ5 低推論コストと最小限のメモリフットプリントのため、提案モデルはモバイルおよびエッジデバイスへのデプロイに適しているか？

主な発見

• グループ損失関数を用いた場合、UCM-Net は ISIC2017 データセットで平均交差率（mIoU）80.63% および平均ディスク係数（mDice）87.64% を達成し、ベースラインの U-Net や他の最先端モデルを上回った。
• モデルはたった 49,932 個のパラメータと 0.0465 GFLOPs の計算コストしかなく、50KB 未満のパラメータと 0.05 GLOPs 未満の計算コストを実現した最初の皮膚腫瘍分類モデルである。
• 同じチャネル数を用いても、UCM-Net は EGE-UNet よりも mIoU および mDice で優れており、はるかに少ないパラメータと低い計算コストを実現した。
• アブレーションスタディの結果、標準的な畳み込みブロックを UCM-Net ブロックに置き換えることで、パラメータ数を大幅に削減しても性能が向上し、mIoU は 78.48% から 79.76% に上昇した。
• グループ損失関数の導入により、さらに性能が向上し、mIoU は 79.76% から 80.63%、mDice は 86.94% から 87.64% に上昇した。これにより、分類品質最適化における有効性が裏付けられた。
• 図 5 の可視化結果から、UCM-Net の分類出力が正解アノテーションと非常に近いことが確認され、複雑な腫瘍症例においても高い精度と境界線の忠実度を示している。