[논문 리뷰] A Novel Multi-task Deep Learning Model for Skin Lesion Segmentation and Classification

Xulei Yang, Zeng Zeng외 4명|arXiv (Cornell University)|2017. 03. 03.

Cutaneous Melanoma Detection and Management참고 문헌 8인용 수 78

한 줄 요약

논문은 피부 병변 분할과 두 가지 이진 분류를 동시에 수행하는 다중 작업 딥 뉴럴 네트워크를 제안하고, ISIC 2017에서 경쟁력 있는 결과를 보임.

ABSTRACT

In this study, a multi-task deep neural network is proposed for skin lesion analysis. The proposed multi-task learning model solves different tasks (e.g., lesion segmentation and two independent binary lesion classifications) at the same time by exploiting commonalities and differences across tasks. This results in improved learning efficiency and potential prediction accuracy for the task-specific models, when compared to training the individual models separately. The proposed multi-task deep learning model is trained and evaluated on the dermoscopic image sets from the International Skin Imaging Collaboration (ISIC) 2017 Challenge - Skin Lesion Analysis towards Melanoma Detection, which consists of 2000 training samples and 150 evaluation samples. The experimental results show that the proposed multi-task deep learning model achieves promising performances on skin lesion segmentation and classification. The average value of Jaccard index for lesion segmentation is 0.724, while the average values of area under the receiver operating characteristic curve (AUC) on two individual lesion classifications are 0.880 and 0.972, respectively.

연구 동기 및 목표

• 피부 병변 분석에서 분할 작업과 분류 작업 간의 공유 표현을 활용하기 위한 다중 작업 학습의 동기를 제시한다.
• 분할과 두 가지 이진 병변 분류를 동시에 수행하는 일원화된 딥 뉴럴 네트워크를 개발한다.
• ISIC 2017 데이터에서 접근 방식을 평가하여 독립 모델 대비 학습 효율성 및 잠재적 정확도 향상을 확인한다.

제안 방법

• 작업 간 표현을 공유하는 다중 작업 딥 뉴럴 네트워크를 제안한다 (분할 및 두 개의 이진 분류).
• ISIC 2017 Dermoscopic 이미지(2000 학습, 150 평가)에서 학습 및 평가를 수행한다.
• 작업 간의 공통점과 차이점을 이용하여 작업 특화 성능을 향상시킨다.
• 분할에 대해 Jaccard 지수, 각 분류 작업에 대해 AUC를 사용하여 성능을 보고한다.

실험 결과

연구 질문

• RQ1 단일 다중 작업 네트워크가 독립적으로 학습된 모델에 비해 분할 및 분류 성능을 향상시킬 수 있는가?
• RQ2 공유 표현 학습이 피부 병변 분석의 학습 효율성과 정확도를 얼마나 향상시키는가?

주요 결과

• 평균 분할에 대한 Jaccard 지수: 0.724.
• 첫 번째 분류에 대한 AUC: 0.880.
• 두 번째 분류에 대한 AUC: 0.972.
• ISIC 2017 데이터세트에서 2000개의 학습 샘플과 150개의 테스트 샘플로 평가된 모델.
• 다중 작업 학습이 독립 모델에 비해 학습 효율성 및 잠재적 정확도 향상을 제공하는 것으로 보고된다.