[논문 리뷰] An Overview of Melanoma Detection in Dermoscopy Images Using Image Processing and Machine Learning

Nabin K. Mishra, M. Emre Celebi|arXiv (Cornell University)|2016. 01. 28.

Cutaneous Melanoma Detection and Management인용 수 107

한 줄 요약

피부경 촬영 이미지에서의 자동 흑색종 탐지에 대한 고찰로, 병변 분할, 특징 추출, 기계 학습을 이용한 분류를 개요하고 임상 도입을 향한 도전 과제를 다룬다.

ABSTRACT

The incidence of malignant melanoma continues to increase worldwide. This cancer can strike at any age; it is one of the leading causes of loss of life in young persons. Since this cancer is visible on the skin, it is potentially detectable at a very early stage when it is curable. New developments have converged to make fully automatic early melanoma detection a real possibility. First, the advent of dermoscopy has enabled a dramatic boost in clinical diagnostic ability to the point that melanoma can be detected in the clinic at the very earliest stages. The global adoption of this technology has allowed accumulation of large collections of dermoscopy images of melanomas and benign lesions validated by histopathology. The development of advanced technologies in the areas of image processing and machine learning have given us the ability to allow distinction of malignant melanoma from the many benign mimics that require no biopsy. These new technologies should allow not only earlier detection of melanoma, but also reduction of the large number of needless and costly biopsy procedures. Although some of the new systems reported for these technologies have shown promise in preliminary trials, widespread implementation must await further technical progress in accuracy and reproducibility. In this paper, we provide an overview of computerized detection of melanoma in dermoscopy images. First, we discuss the various aspects of lesion segmentation. Then, we provide a brief overview of clinical feature segmentation. Finally, we discuss the classification stage where machine learning algorithms are applied to the attributes generated from the segmented features to predict the existence of melanoma.

연구 동기 및 목표

• 초기 흑색종 탐지를 위한 피부경 촬영의 활용을 고무하고 임상 진단에 미치는 영향을 논의한다.
• 피부경 촬영 이미지를 분석하기 위한 이미지 처리 단계, 특히 병변 분할을 요약한다.
• 임상 특징이 어떻게 분할되고 기계학습 가능한 속성으로 변환되는지 검토한다.
• 분할된 특징에 적용된 기계 학습 분류기를 논의한다.
• 현재의 한계와 정확도, 재현성, 그리고 광범위한 적용의 필요성을 강조한다.

제안 방법

• 조기 흑색종 탐지를 가능하게 하는 피부경 촬영의 역할을 설명한다.
• 피부경 촬영 이미지에서 병변 분할 접근법을 개요한다.
• 피부경 촬영을 위한 임상 특징 분할의 개요를 제공한다.
• 분할된 특징에서 기계 학습 기반 분류에 이르는 파이프라인을 논의한다.
• 추출된 특징에서 흑색종을 예측하는 데 사용되는 기계 학습 알고리즘을 검토한다.
• 정확도, 재현성 및 임상 채택과 관련된 도전과제를 다룬다.

실험 결과

연구 질문

• RQ1 피부경 병변에 대한 핵심 분할 방법과 그 효과는 무엇인가?
• RQ2 피부경 촬영 이미지에서 어떤 임상 특징이 추출되며 그것들이 ML 속성으로 어떻게 변환되는가?
• RQ3 피부경에서 파생된 특징으로 흑색종 예측에 적합한 기계 학습 분류기는 무엇인가?
• RQ4 정확도와 재현성에 관한 광범위한 임상 도입에 어떤 장애물이 있는가?
• RQ5 불필요한 생검을 줄이기 위해 피부경 촬영 이미지에서 자동 흑색종 탐지를 어떻게 더 개선할 수 있는가?

주요 결과

• 피부경 촬영은 초기 흑색종 탐지 및 진단 능력 향상을 이끌었다.
• 이미지 처리의 발전은 흑색종과 양성 모방 이미지를 자동으로 구분 가능하게 했다.
• 현재 시스템은 예비 시험에서 가능성을 보이나 널리 사용하기 위해서는 정확도와 재현성의 개선이 필요하다.
• 완전 자동 탐지의 개발은 가능하지만 아직은 보편적 임상 적용에 준비가 되어 있지 않다.
• 분할에서 분류까지의 파이프라인은 피부경 촬영 이미지에서 흑색종 예측의 핵심이다.
• 신뢰할 수 있는 자동화를 통해 불필요하고 비용이 많이 드는 생검을 줄일 필요가 있다.