[논문 리뷰] Advanced Deep Learning Methodologies for Skin Cancer Classification in Prodromal Stages

Muhammad Ali Farooq, Asma Khatoon외 2명|arXiv (Cornell University)|2020. 03. 13.

Cutaneous Melanoma Detection and Management참고 문헌 8인용 수 13

한 줄 요약

이 연구는 카글의 피부생검 이미지 데이터셋을 사용하여 조기 단계의 피부암 분류를 위한 이단계 딥러닝 프레임워크를 제안한다. 예비 처리 단계에서 선명도 향상과 모발 제거를 통해 이미지 품질을 햖थ하며, 이후 Inception-v3와 MobileNet 모델을 적용하여 정제된 이미지에서 Inception-v3가 86%의 테스트 정확도를 달성하였다. 이는 예비 처리와 최신 아키텍처를 통해 성능 향상이 가능함을 보여준다.

ABSTRACT

Technology-assisted platforms provide reliable solutions in almost every field these days. One such important application in the medical field is the skin cancer classification in preliminary stages that need sensitive and precise data analysis. For the proposed study the Kaggle skin cancer dataset is utilized. The proposed study consists of two main phases. In the first phase, the images are preprocessed to remove the clutters thus producing a refined version of training images. To achieve that, a sharpening filter is applied followed by a hair removal algorithm. Different image quality measurement metrics including Peak Signal to Noise (PSNR), Mean Square Error (MSE), Maximum Absolute Squared Deviation (MXERR) and Energy Ratio/ Ratio of Squared Norms (L2RAT) are used to compare the overall image quality before and after applying preprocessing operations. The results from the aforementioned image quality metrics prove that image quality is not compromised however it is upgraded by applying the preprocessing operations. The second phase of the proposed research work incorporates deep learning methodologies that play an imperative role in accurate, precise and robust classification of the lesion mole. This has been reflected by using two state of the art deep learning models: Inception-v3 and MobileNet. The experimental results demonstrate notable improvement in train and validation accuracy by using the refined version of images of both the networks, however, the Inception-v3 network was able to achieve better validation accuracy thus it was finally selected to evaluate it on test data. The final test accuracy using state of art Inception-v3 network was 86%.

연구 동기 및 목표

• 조기 단계에서 피부암 분류 정확도를 향상시키기 위해 딥러닝을 활용한다.
• 노이즈와 잡음 요소를 줄이기 위해 피부생검 이미지의 품질을 향상시키기 위한 예비 처리를 수행한다.
• 피부암 분류에서 딥러닝 모델 성능에 대한 이미지 예비 처리의 영향을 평가한다.
• 정제된 피부생검 이미지에서 Inception-v3와 MobileNet의 성능을 비교한다.
• 고정확도 및 강력한 조기 단계 피부암 분류를 위해 고도의 딥러닝 기법을 적용한다.

제안 방법

• 예비 처리는 선명도 향상 필터를 적용한 후 모발 제거 알고리즘을 사용하여 이미지 선명도를 향상시키고 혼잡함을 줄인다.
• 이미지 품질은 PSNR, MSE, MXERR, L2RAT 지표를 사용하여 정량적으로 평가되어 향상 여부를 검증한다.
• 정제된 피부생검 이미지에 대해 최신의 딥러닝 모델인 Inception-v3와 MobileNet을 훈련 및 검증한다.
• 모델들은 카글 피부암 데이터셋을 기반으로 훈련 및 평가되며, 성능은 훈련 및 검증 정확도로 측정된다.
• 정제된 데이터셋을 사용해 두 모델을 재훈련하고, 최고의 성능을 보인 아키텍처를 최종 테스트 평가에 선택한다.
• MobileNet보다 더 높은 검증 정확도를 보인 Inception-v3가 최종 테스트에 선택되었다.

실험 결과

연구 질문

• RQ1 피부생검 이미지를 예비 처리하면 조기 단계 피부암 분류에서 딥러닝 모델의 성능 향상이 이루어지는가?
• RQ2 이미지 예비 처리 후 Inception-v3와 MobileNet의 피부병변 분류 성능는 어떻게 비교되는가?
• RQ3 선명도 향상과 모발 제거를 통한 이미지 품질 향상이 모델의 일반화 및 정확도에 어느 정도 영향을 미치는가?
• RQ4 예비 처리된 이미지에 최신 딥러닝 모델을 적용할 경우 조기 단계 피부암 분류에서 고정확도를 달성할 수 있는가?
• RQ5 이미지 예비 처리와 결합했을 때 조기 피부암 검출에 가장 적합한 딥러닝 아키텍처는 무엇인가?

주요 결과

• PSNR, MSE, MXERR, L2RAT 지표를 통해 이미지 예비 처리가 품질을 뚜렷이 향상시켰음을 확인했으며, 품질 저하 없이 측정 가능한 향상이 있었다.
• Inception-v3와 MobileNet 모두 예비 처리 후 훈련 및 검증 정확도가 향상되어 더 깔끔한 입력 데이터의 긍정적 영향을 보였다.
• 검증 정확도에서 Inception-v3가 MobileNet을 앞서 성능이 뛰어나 최종 테스트에 선택되었다.
• 정제된 데이터셋에서 Inception-v3 모델이 달성한 최종 테스트 정확도는 86%였다.
• 결과적으로 예비 처리와 고도의 딥러닝 아키텍처를 조합하면 조기 피부암 검출의 분류 성능 향상이 가능하다는 것이 입증되었다.
• 이 연구는 이미지 품질 향상이 피부생검 이미지 분석에서 딥러닝 성과 향상에 있어 핵심 단계임을 확인하였다.