[논문 리뷰] A Survey on Deep Learning for Skin Lesion Segmentation

Zahra Mirikharaji, Kumar Abhishek외 6명|arXiv (Cornell University)|2022. 06. 01.

Cutaneous Melanoma Detection and Management인용 수 5

한 줄 요약

이 종합 검토는 2015년에서 2023년 사이에 발표된 피부 병변 분할을 위한 177篇의 딥러닝 연구를 종합하여 입력 데이터, 모델 아키텍처, 손실 함수, 평가 지표를 분석한다. 이미지 잡음과 변동성 등의 주요 과제를 규명하고, 향후 임상 적용을 위한 자동화되고 견고하며 공정한 피부 병변 분할을 위한 종합적인 프레임워크와 상호작용 가능한 표를 제공한다.

ABSTRACT

Skin cancer is a major public health problem that could benefit from computer-aided diagnosis to reduce the burden of this common disease. Skin lesion segmentation from images is an important step toward achieving this goal. However, the presence of natural and artificial artifacts (e.g., hair and air bubbles), intrinsic factors (e.g., lesion shape and contrast), and variations in image acquisition conditions make skin lesion segmentation a challenging task. Recently, various researchers have explored the applicability of deep learning models to skin lesion segmentation. In this survey, we cross-examine 177 research papers that deal with deep learning-based segmentation of skin lesions. We analyze these works along several dimensions, including input data (datasets, preprocessing, and synthetic data generation), model design (architecture, modules, and losses), and evaluation aspects (data annotation requirements and segmentation performance). We discuss these dimensions both from the viewpoint of select seminal works, and from a systematic viewpoint, examining how those choices have influenced current trends, and how their limitations should be addressed. To facilitate comparisons, we summarize all examined works in a comprehensive table as well as an interactive table available online at https://github.com/sfu-mial/skin-lesion-segmentation-survey.

연구 동기 및 목표

• 입력 데이터, 모델 설계, 평가 방법을 포함한 딥러닝 기반 피부 병변 분할 접근법을 체계적으로 분석하기 위해.
• 분할 성능에 영향을 미치는 지속적인 과제들인 이미지 잡음, 낮은 대비, 애너테이션 변동성 등을 규명하기 위해.
• 데이터 증강, 합성 데이터, 손실 함수의 영향을 모델의 일반화 및 견고성에 미치는 영향을 평가하기 위해.
• 연구자들이 사용할 수 있도록 종합적인 표와 상호작용 가능한 온라인 자료를 통해 방법 간의 체계적 비교를 제공하기 위해.
• 현재의 딥러닝 기반 분할 프레임워크에서의 한계와 추세를 부각시켜 향후 연구를 이끌기 위해.

제안 방법

• 2015년에서 2023년 사이에 발표된 피부 병변 분할을 위한 177편의 동료심사 논문을 대상으로 체계적인 문헌 검토를 수행하였다.
• 연구를 입력 데이터(데이터셋, 전처리, 합성 데이터), 모델 아키텍처(U-Net 변종, 주의 메커니즘 모듈), 손실 함수(이진 교차엔트로피, Dice, 하이브리드 손실 함수) 등의 차원으로 분류하였다.
• 표준 분할 평가 지표(예: Dice, IoU, DSC)를 사용하여 모델 성능을 평가하고, 애너테이션 품질과 데이터 부족 문제를 분석하였다.
• 결과를 종합적인 비교 표로 통합하고, https://github.com/sfu-mial/skin-lesion-segmentation-survey 에서 상호작용 가능한 버전을 공개하였다.
• 초기 연구와 현재의 추세를 검토하여 피부 색소와 촬영 조건에 따른 공정성, 견고성, 일반화 능력의 격차를 규명하였다.
• 경계 정밀도 향상과 병변 윤곽 추출 향상을 위해 주의 메커니즘, 스킵 연결, 다중 스케일 특징 학습의 역할을 논의하였다.

실험 결과

연구 질문

• RQ1 다양한 데이터 전처리 및 증강 전략은 피부 병변 분할 모델의 견고성에 어떤 영향을 미치는가?
• RQ2 낮은 대비와 잡음이 많은 피부 병변 영상에서 효과적인 손실 함수와 네트워크 아키텍처는 무엇인가?
• RQ3 현재의 모델들은 다양한 피부 색소와 촬영 조건 간에 얼마나 잘 일반화되는가? 공정성을 향상시키기 위해선 어떻게 해야 하는가?
• RQ4 합성 데이터 생성 기법은 자원이 부족한 환경에서 모델 성능과 일반화 능력에 어떤 영향을 미치는가?
• RQ5 현재의 평가 프로토콜에서의 주요 한계는 무엇이며, 이를 실제 임상 적용 환경을 반영하도록 어떻게 개선할 수 있는가?

주요 결과

• U-Net과 그 변종이 가장 널리 사용되며, 주의 메커니즘과 스킵 연결이 경계 정확도를 크게 향상시킨다.
• 이진 교차엔트로피 손실과 Dice 손실을 조합한 하이브리드 손실 함수가 단일 손실 접근 방식보다 일관되게 우수한 성능을 보이며, 특히 클래스 불균형 문제를 다룰 때 유리하다.
• 합성 데이터 증강 및 데이터 간 번역 기법(예: cycle-GAN)은 특히 자원이 부족한 환경에서 모델의 일반화 능력을 향상시킨다.
• 모델 성능은 피부 색소에 따라 크게 차이가 나며, 편향을 줄이기 위해 다양하고 대표성이 확보된 훈련 데이터가 필수적임을 시사한다.
• 주의 모듈(예: Attention U-Net)의 사용은 낮은 대비 영상에서 비정상적인 병변 경계의 정확도를 향상시킨다.
• 진전이 있었음에도 불구하고, 대비가 낮거나 털이나 잡음 등으로 인해 어려운 병변을 분할하는 데에는 여전히 큰 성능 격차가 존재하여, 더 견고한 아키텍처와 데이터 정제 방법이 필요하다.