[논문 리뷰] A Detection and Segmentation Architecture for Skin Lesion Segmentation on Dermoscopy Images

Chengyao Qian, Ting Liu외 5명|arXiv (Cornell University)|2018. 09. 11.

Cutaneous Melanoma Detection and Management참고 문헌 6인용 수 19

한 줄 요약

이 논문은 망막 영상에서 피부 병변 분할을 위한 이단계 딥러닝 아키텍처를 제안한다. 병변 탐지에 Mask R-CNN을 사용하고, 다중 척도의 아트로우 컨볼루션과 다중 채널 입력(RGB, HSV, CIELAB)을 활용한 맞춤형 인코더-디코더 분할 네트워크를 결합한다. 이 방법은 ISIC 2018 검증 세트에서 Jaccard 지수 0.846을 기록하여 최신 기술 수준(SOTA) 성능을 달성했으며, 병변 분할 과제에서 1등을 차지했다.

ABSTRACT

This report summarises our method and validation results for the ISIC Challenge 2018 - Skin Lesion Analysis Towards Melanoma Detection - Task 1: Lesion Segmentation. We present a two-stage method for lesion segmentation with optimised training method and ensemble post-process. Our method achieves state-of-the-art performance on lesion segmentation and we win the first place in ISIC 2018 task1.

연구 동기 및 목표

• 변동성이 큰 크기, 낮은 대비, 흐린 경계를 가진 병변에 대해 피부 병변 분할 정확도를 향상시키기 위해.
• U-Net과 FCN와 같은 이단계 분할 모델의 한계를 해결하기 위해, 특히 극단적인 병변 크기에서 어려움을 겪는 문제를 해결하기 위해.
• 의료 영상 분할에서 Mask R-CNN의 단점을 보완하기 위해, 특히 모호한 병변 경계와 저해상도 입력에 대한 민감도 문제를 해결하기 위해.
• 훈련 중 최적화된 데이터 증강 및 자르기 전략을 통해 모델의 강인성 향상하기 위해.
• ISIC 2018 챌린지 - 과제 1: 병변 분할에서 최신 기술 수준 성능를 달성하기 위해.

제안 방법

• 두 단계 파이프라인을 사용: 첫 번째 단계에서 Mask R-CNN의 영역 제안 네트워크를 통해 병변 위치를 탐지하고, 두 번째 단계에서 잘라낸 병변 영역을 분할한다.
• 다양한 확대 비율(3, 6, 12)의 확대 컨볼루션, 표준 컨볼루션(커널 크기 3, 5, 7), 최대 풀링(커널 크기 5, 9, 13, 17)을 포함한 수정된 ASPP 블록을 사용하여 다중 척도의 맥락을 포착한다.
• 스킵 연결을 통해 확장된 ResNet-101 백본에서 추출한 특징을 통합하여 공간적 세부 정보를 유지한다.
• RGB, HSV, CIELAB 색상 공간을 조합한 여덟 채널 입력을 사용하여 병변 경계의 구분 능력을 향상시킨다.
• 훈련 중 탐지된 병변 영역을 81%에서 121% 범위로 무작위로 자르는 전략을 적용하여 강인성 향상.
• 테스트 시 시간에 증강을 위해 입력 영상을 회전 및 반전하고, 기하 변환을 복원한 후 예측값을 평균화한다.

실험 결과

연구 질문

• RQ1 변동성이 큰 크기를 가진 병변을 다룰 때, 이단계 탐지-분할 프레임워크가 이단계 분할 모델보다 우수한 성능을 낼 수 있는가?
• RQ2 수정된 ASPP 블록을 통한 다중 척도 맥락 모델링은 흐린 경계나 낮은 대비를 가진 병변의 분할 성능를 어떻게 향상시키는가?
• RQ3 RGB 외에 다중 스펙트럼 색상 공간 입력(HSV 및 CIELAB)을 사용할 경우, 병변 경계 탐지 능력이 RGB만 사용할 경우보다 얼마나 향상되는가?
• RQ4 훈련 중 잘라낸 병변 영역을 무작위로 확장/수축하는 전략이 일반화 능력과 강인성 향상에 기여하는가?
• RQ5 기하 증강을 통한 앙상블 추론이 도전적인 피부 병변 영상에서 분할 성능 향상에 기여하는가?

주요 결과

• 제안된 이단계 방법은 ISIC 2018 검증 세트에서 Jaccard 지수 0.846을 기록하여, 이단계 분할 모델(0.820)과 Mask R-CNN(0.825)을 모두 초월했다.
• 임계값 적용 Jaccard 점수 0.816을 기록하여, 낮은 점수에 대한 보상 제도가 적용된 도전 과제에서도 강력한 성능을 보였다.
• 공식 테스트 세트에서 최종 모델은 Jaccard 지수 0.802를 기록하여 강인성과 일반화 능력을 확인했다.
• 시각적 비교 결과, 이단계 방법은 기준 모델 대비 더 정확한 병변 위치 추정과 더 부드럽고 정밀한 분할 경계를 생성했다.
• 다중 채널 입력(RGB, HSV, CIELAB)은 특히 저대비 영역에서 더 나은 특징 표현을 기여했다.
• 회전 및 반전을 통한 테스트 시 앙상블 추론은 기하 변환 후 예측값 평균화를 통해 최종 분할 품질을 향상시켰다.