[논문 리뷰] A Web-based Mpox Skin Lesion Detection System Using State-of-the-art Deep Learning Models Considering Racial Diversity

Shams Nafisa Ali, Md. Tazuddin Ahmed외 6명|arXiv (Cornell University)|2023. 06. 25.

Poxvirus research and outbreaks인용 수 10

한 줄 요약

본 논문은 다양한 데이터셋(MSLD v2.0)에서 여러 딥러닝 모델을 벤치마크하는 웹 기반 mpox 피부 병변 탐지기를 제시하고, 색 공간 증강과 전이 학습을 활용해 성능을 향상시켜 83.59% 정확도를 달성합니다.

ABSTRACT

The recent 'Mpox' outbreak, formerly known as 'Monkeypox', has become a significant public health concern and has spread to over 110 countries globally. The challenge of clinically diagnosing mpox early on is due, in part, to its similarity to other types of rashes. Computer-aided screening tools have been proven valuable in cases where Polymerase Chain Reaction (PCR) based diagnosis is not immediately available. Deep learning methods are powerful in learning complex data representations, but their efficacy largely depends on adequate training data. To address this challenge, we present the "Mpox Skin Lesion Dataset Version 2.0 (MSLD v2.0)" as a follow-up to the previously released openly accessible dataset, one of the first datasets containing mpox lesion images. This dataset contains images of patients with mpox and five other non-mpox classes (chickenpox, measles, hand-foot-mouth disease, cowpox, and healthy). We benchmark the performance of several state-of-the-art deep learning models, including VGG16, ResNet50, DenseNet121, MobileNetV2, EfficientNetB3, InceptionV3, and Xception, to classify mpox and other infectious skin diseases. In order to reduce the impact of racial bias, we utilize a color space data augmentation method to increase skin color variability during training. Additionally, by leveraging transfer learning implemented with pre-trained weights generated from the HAM10000 dataset, an extensive collection of pigmented skin lesion images, we achieved the best overall accuracy of $83.59\pm2.11\%$. Finally, the developed models are incorporated within a prototype web application to analyze uploaded skin images by a user and determine whether a subject is a suspected mpox patient.

연구 동기 및 목표

• 다른 발진과의 유사성으로 인한 mpox(원숭이두창) 진단의 어려움을 해결한다.
• 깊은 학습을 활용한 신속하고 비-PCR 보조 스크리닝을 위한 웹 기반 도구를 개발한다.
• mpox와 비_mpox 클래스를 포함하는 Mpox Skin Lesion Dataset Version 2.0(MSLD v2.0)을 생성하고 활용한다.
• 피부 색 다양성을 증가시키는 데이터 증강을 통해 인종 편향을 완화한다.
• HAM10000에서의 전이 학습을 활용하여 모델 성능을 향상시킨다.

제안 방법

• 여러 CNN 아키텍처를 벤치마크한다: VGG16, ResNet50, DenseNet121, MobileNetV2, EfficientNetB3, InceptionV3, Xception.
• 학습 중 피부 색 다양성을 증가시키기 위한 색 공간 증강을 사용한다.
• HAM10000 색소성 피부 병변 데이터셋의 사전 학습 가중치를 사용한 전이 학습을 적용한다.
• MSLD v2.0(mpox, 수두, 홍역, 손발입병, 천두창, 건강)을 대상으로 모델을 학습하고 평가한다.
• 가장 성능이 우수한 모델을 업로드된 이미지를 분석하는 프로토타입 웹 응용 프로그램에 통합한다.

실험 결과

연구 질문

• RQ1 최첨단 CNN 모델이 다양한 데이터셋에서 mpox를 다른 감염 피부 질환과 효과적으로 구분할 수 있는가?
• RQ2 색 공간 데이터 증강이 인종 편향을 줄이고 피부 톤 전반에서 성능을 향상시키는가?
• RQ3 HAM10000에서의 전이 학습이 mpox 관련 분류 정확도를 얼마나 향상시키는가?
• RQ4 최고 성능 모델이 사용자 업로드 피부 이미지의 웹 기반 프로토타입 설정에서 어떻게 수행되는가?

주요 결과

• 최고의 전체 정확도는 83.59%이며 표준편차는 ±2.11%이다.
• MSLD v2.0 데이터셋에는 mpox와 다섯 가지 비 mpox 클래스(chickenpox, measles, hand-foot-mouth disease, cowpox, healthy)가 포함된다.
• 학습 중 피부 색 다양성을 증가시키기 위해 색 공간 증강을 활용하여 인종 편향을 완화했다.
• HAM10000 사전 학습 가중치를 사용한 전이 학습이 성능 향상에 기여했다.
• 모델은 업로드된 피부 이미지를 분석하여 의심되는 mpox를 판별하는 웹 애플리케이션 프로토타입에 통합되었다.