[논문 리뷰] A CNN toolbox for skin cancer classification

Fabrizio Nunnari, Daniel Sonntag|arXiv (Cornell University)|2019. 08. 21.

Cutaneous Melanoma Detection and Management참고 문헌 21인용 수 11

한 줄 요약

이 논문은 스프레드시트 기반 인터페이스를 통해 개발자와 비기술자 사용자 모두가 딥러닝 모델을 신속하게 프로토타ип 및 튜닝할 수 있도록 구성 가능한 컨볼루션 네트워크 도구상자를 제시한다. 이는 더 작은 데이터셋과 중간 수준의 증강 기법을 사용함에도 불구하고 높은 성능(AUC 0.862)을 달성하며, 최신 기술 수준의 방법들보다 계산 자원 소모를 줄이고, 기준 테스트 세트에서 피부과 전문의를 능가한다.

ABSTRACT

We describe a software toolbox for the configuration of deep neural networks in the domain of skin cancer classification. The implemented software architecture allows developers to quickly set up new convolutional neural network (CNN) architectures and hyper-parameter configurations. At the same time, the user interface, manageable as a simple spreadsheet, allows non-technical users to explore different configuration settings that need to be explored when switching to different data sets. In future versions, meta leaning frameworks can be added, or AutoML systems that continuously improve over time. Preliminary results, conducted with two CNNs in the context melanoma detection on dermoscopic images, quantify the impact of image augmentation, image resolution, and rescaling filter on the overall detection performance and training time.

연구 동기 및 목표

• 다양한 데이터셋, 아키텍처 및 초모수 설정으로 인해 피부암 분류 모델 간의 상호비교가 어려운 문제를 해결하기 위해.
• 새로운 데이터셋이 제공될 경우 비기술자 피부과 전문의가 모델 설정을 탐색할 수 있도록 사용자 친화적인 인터페이스를 제공하기 위해.
• 이미지 증강, 해상도, 세그멘테이션 및 색상 공간 변환과 같은 전처리 기법의 체계적 탐색을 가능하게 하기 위해.
• 모듈러하고 확장 가능한 소프트웨어 아키텍처를 통해 개발자와 실무자 모두를 지원하고, 향후 오픈소스 가능성도 고려하기 위해.
• 대규모 사전학습에 대한 의존도를 줄이기 위해, 제한된 데이터와 최적화된 초모수를 사용하여 성능을 평가하기 위해.

제안 방법

• 도구상자는 CNN 아키텍처, 데이터셋 경로, 증강 정책, 초모수 등을 정의하는 스프레드시트 기반 입력 형식(CSV)을 사용한다.
• 이미지는 수평 뒤집기, 회전, 밝기/채도 조절, 색상 공간 변환(RGB, HSV, LAB, YCbCr)을 포함한 온디맨드 증강을 통해 처리된다.
• 이미지 해상도를 표준화하기 위해 리샘플링 필터(최근접, 양선형, 양차적, 란체즈)가 적용되며, 세그멘테이션 및 마스크 확장 기능도 제공된다.
• 시스템은 VGG16 및 SC19와 같은 CNN을 통해 이진 분류, 다중 클래스 확률 출력, 픽셀 수준의 세그멘테이션 마스크를 지원한다.
• 초모수 튜닝은 데이터 입력, 전처리, 증강, 학습 단계를 분리한 모듈러 파이프라인을 통해 촉진된다.
• 향후 확장으로는 지속적인 모델 향상을 위한 메타러닝 및 AutoML 시스템 통합을 고려한다.

실험 결과

연구 질문

• RQ1 표준화되고 사용자 접근이 가능한 도구상자는 다양한 데이터셋과 아키텍처 간의 피부암 분류 모델의 재현성과 비교 가능성 향상에 기여할 수 있는가?
• RQ2 이미지 해상도, 증강 수준, 리샘플링 필터 선택이 피부 내시경 영상 분석에서 분류 성능과 학습 시간에 어떤 영향을 미치는가?
• RQ3 최적화된 초모수와 전처리 기법을 사용할 경우, 전이학습의 필요성을 얼마나 줄일 수 있는가?
• RQ4 세그멘테이션 및 마스크 확장 기능은 피부 병변 탐지에서 분류 정확도 향상에 기여하는가?
• RQ5 비기술자 사용자가 프로그래밍 없이 스프레드시트 인터페이스를 통해 딥러닝 설정을 효과적으로 탐색하고 튜닝할 수 있는가?

주요 결과

• VGG16를 사용하여 450x450 해상도와 48배 증강(hflip_rot24)을 적용한 결과, ISIC-2019 데이터셋에서 AUC 0.862, 특이도 0.763, 민감도 0.798을 달성했다.
• 시스템은 MClass-D 테스트 세트에서 피부과 전문가를 능가하여 AUC 0.846를 기록했으며, 인간의 성능(AUC 0.671)을 초월했다.
• 277x277 해상도에서 48배 증강을 사용한 학습은 4.5시간 이내에 완료되어, 더 적은 데이터와 계산 자원으로도 뛰어난 성능을 보였다.
• 네 가지 리샘플링 필터(최근접, 양선형, 양차적, 란체즈) 간 성능에 유의미한 차이가 없었으며, 이는 기본적으로 최근접 이웃 필터로도 충분함을 시사한다.
• 랜덤 초기화로 VGG16 모델을 학습시킨 결과 10 에포크 후 수렴하지 못했으며, 이는 이 데이터셋 크기에서는 ImageNet 사전학습이 필수적임을 보여준다.
• 증강 수를 48배에서 8배로 줄임으로써 수렴 속도가 향상되고 학습 시간이 75% 감소했으며, 민감도는 0.492에서 0.674로 향상되었다.