[논문 리뷰] A survey, review, and future trends of skin lesion segmentation and classification

Md Kamrul Hasan, Md. Asif Ahamad외 2명|arXiv (Cornell University)|2022. 08. 25.

Cutaneous Melanoma Detection and Management인용 수 6

한 줄 요약

이 종합적 서베이는 2011~2022년 동안 피부 병변 분할 및 분류에 관한 594篇의 연구를 분석하여 데이터셋, 전처리, 딥러닝 아키텍처, 손실 함수, 하이퍼파ram터, 평가 지표를 평가한다. ISIC가 주요 데이터셋으로 지배적임을 확인하고, 전통적 기계학습 대비 딥러닝의 우세함을 강조하며, 실생활 적용 및 피부과의사의 신뢰를 높이기 위해 통합된 임상 적용 및 해석 가능한 AI를 권장한다.

ABSTRACT

The Computer-aided Diagnosis or Detection (CAD) approach for skin lesion analysis is an emerging field of research that has the potential to alleviate the burden and cost of skin cancer screening. Researchers have recently indicated increasing interest in developing such CAD systems, with the intention of providing a user-friendly tool to dermatologists to reduce the challenges encountered or associated with manual inspection. This article aims to provide a comprehensive literature survey and review of a total of 594 publications (356 for skin lesion segmentation and 238 for skin lesion classification) published between 2011 and 2022. These articles are analyzed and summarized in a number of different ways to contribute vital information regarding the methods for the development of CAD systems. These ways include relevant and essential definitions and theories, input data (dataset utilization, preprocessing, augmentations, and fixing imbalance problems), method configuration (techniques, architectures, module frameworks, and losses), training tactics (hyperparameter settings), and evaluation criteria. We intend to investigate a variety of performance-enhancing approaches, including ensemble and post-processing. We also discuss these dimensions to reveal their current trends based on utilization frequencies. In addition, we highlight the primary difficulties associated with evaluating skin lesion segmentation and classification systems using minimal datasets, as well as the potential solutions to these difficulties. Findings, recommendations, and trends are disclosed to inform future research on developing an automated and robust CAD system for skin lesion analysis.

연구 동기 및 목표

• 2011년부터 2022년까지 피부 병변 분할(SLS) 및 분류(SLC)에 관한 594편의 논문을 체계적으로 검토하는 것.
• 피부 병변 분석 분야에서 데이터 처리, 모델 아키텍처, 학습 전략, 평가 기준의 주요 추세를 규명하는 것.
• 기존 연구에서 임상 번역 및 해석 가능한 AI(XAI) 통합의 격차를 부각하는 것.
• 데이터셋 사용, 모델 최적화, 평가 프레임워크 분야의 최선의 실천 방안을 제안하여 향후 연구를 이끄는 것.
• 강력하고 해석 가능한 AI 모델 기반의 사용자 우수성과 실시간 임상 응용 프로그램 개발을 촉진하는 것.

제안 방법

• 2011년부터 2022년까지 Google Scholar에서 확보한 594편의 연구(356편은 SLS, 238편은 SLC)에 대한 체계적 문헌 서베이.
• 입력 데이터(예: ISIC 데이터셋), 전처리, 데이터 증강, 클래스 불균형 처리 기법 기반의 방법 분류 및 분석.
• 딥러닝 아키텍처(예: FCN, U-Net, ResNet, SENet), 손실 함수(예: DSC, Jaccard), 최적화 알고리즘(예: Adam, SGD)의 분류.
• 학습률, 배치 크기, 학습 에포크 수(일반적으로 100~200)를 포함한 하이퍼파ram터 설정 평가.
• 평가 지표(예: DSC, AUC, F1-score, MCC) 및 정량적, 정성적, TCT(기술적, 임상적, 기술적) 평가 프레임워크의 사용 평가.
• XAI 기법(예: Grad-CAM, LIME, SHAP) 분석 및 임상 의사결정 및 신뢰도 평가와의 제한된 통합

실험 결과

연구 질문

• RQ1 2011년부터 2022년까지 피부 병변 분할 및 분류 연구에서 가장 흔한 데이터셋, 전처리 기법, 데이터 증강 전략는 무엇인가?
• RQ2 SLS 및 SLC 작업에서 딥러닝 아키텍처와 손실 함수는 성능 및 보편성 측면에서 어떻게 진화해왔는가?
• RQ3 가장 흔히 사용되는 평가 지표는 무엇이며, 이는 모델의 강건성과 임상적 관련성을 얼마나 잘 반영하는가?
• RQ4 왜 이 서베이에서 다룬 594편의 논문 중 실생활 임상 적용이 부족한가? 실무 적용을 저해하는 장애 요소는 무엇인가?
• RQ5 해석 가능한 AI(XAI) 기법은 SLS 및 SLC 파이프라인에 얼마나 통합되었으며, 이는 피부과의사의 신뢰도 및 모델의 해석 가능성에 어떤 영향을 미치는가?

주요 결과

• ISIC 데이터셋은 다수의 연구에서 가장 널리 사용되는 벤치마크로, 현재의 SLS 및 SLC 연구에 대표성을 지닌다.
• U-Net 및 ResNet 기반 아키텍처에 DSC 또는 Jaccard 지수를 사용한 딥러닝 모델이 뛰어난 성능과 종단 간 학습 능력 덕분에 주요 접근법이 되었다.
• 학습률 스케줄링이 적용된 Adam과 SGD와 같은 적응형 최적화 알고리즘이 가장 흔히 사용되며, 학습 에포크는 일반적으로 100~200 사이이다.
• DSC, AUC, F1-score와 같은 평가 지표가 가장 자주 보고되지만, 직접적인 정량적 평가, 정성적 평가, TCT(기술적, 임상적, 기술적) 평가 프레임워크는 실무에서 충분히 활용되지 않는다.
• 연구의 소수에만 XAI 기법이 통합되어 있으며, 그마저도 진단 정확도나 피부과의사 수용도에 미치는 영향을 평가한 연구는 극히 소수에 그쳐 중요한 연구 격차를 드러낸다.
• 다수의 연구가 존재하지만, 서베이된 594편의 논문 중 어느 것도 임상 적용 가능한 사용자 우수성 응용 프로그램을 개발하지 못했으며, 연구와 실제 구현 사이의 심각한 괴리를 보여준다.