[논문 리뷰] Automated Skin Lesion Classification Using Ensemble of Deep Neural Networks in ISIC 2018: Skin Lesion Analysis Towards Melanoma Detection Challenge

Ashraful Alam Milton|arXiv (Cornell University)|2019. 01. 30.

Cutaneous Melanoma Detection and Management참고 문헌 11인용 수 82

한 줄 요약

본 논문은 ISIC 2018 데이터셋에서 멜라노마 탐지를 위한 여러 심층 신경망을 평가하고, 앙상블 프레임워크 내에서 PNASNet-5-Large가 달성한 최고 검증 점수를 보고한다.

ABSTRACT

In this paper, we studied extensively on different deep learning based methods to detect melanoma and skin lesion cancers. Melanoma, a form of malignant skin cancer is very threatening to health. Proper diagnosis of melanoma at an earlier stage is crucial for the success rate of complete cure. Dermoscopic images with Benign and malignant forms of skin cancer can be analyzed by computer vision system to streamline the process of skin cancer detection. In this study, we experimented with various neural networks which employ recent deep learning based models like PNASNet-5-Large, InceptionResNetV2, SENet154, InceptionV4. Dermoscopic images are properly processed and augmented before feeding them into the network. We tested our methods on International Skin Imaging Collaboration (ISIC) 2018 challenge dataset. Our system has achieved best validation score of 0.76 for PNASNet-5-Large model. Further improvement and optimization of the proposed methods with a bigger training dataset and carefully chosen hyper-parameter could improve the performances. The code available for download at https://github.com/miltonbd/ISIC_2018_classification

연구 동기 및 목표

• 조기 진단과 임상 의사결정을 돕기 위한 자동 멜라노마 탐지를 촉진한다.
• ISIC 2018 챌린지 데이터셋에서 여러 심층 학습 아키텍처의 성능을 평가한다.
• 피부경 촬영 이미지의 분류 성능을 향상시키기 위한 데이터 전처리 및 증강 전략을 탐구한다.
• 피부 병변 분류를 위한 앙상블 접근 방식에서 성능이 가장 우수한 모델을 식별한다.

제안 방법

• ISIC 2018 데이터셋에서 PNASNet-5-Large, InceptionResNetV2, SENet154, 및 InceptionV4와 같은 심층 네트워크를 실험한다.
• 네트워크 학습 전에 dermoscopic 이미지를 적절히 전처리하고 증강한다.
• ISIC 2018 검증 세트에서 모델들을 평가하고 성능 지표를 보고한다.
• 최고의 검증 점수로 0.76이 PNASNet-5-Large에서 달성되었음을 강조한다.
• 더 큰 훈련 데이터와 정교한 하이퍼파라미터 선택에서 추가 개선이 가능하다고 제안한다.

실험 결과

연구 질문

• RQ1 ISIC 2018 데이터셋에서 심층 신경망 앙상블이 멜라노마 탐지 정확도를 향상시킬 수 있는가?
• RQ2 피부경 촬영 피부 병변 분류에 대해 어떤 네트워크 아키텍처가 최상의 검증 성능을 제공하는가?
• RQ3 데이터 전처리와 증강이 ISIC 2018에서 모델 성능에 어떤 영향을 미치는가?
• RQ4 더 큰 훈련 데이터와 최적화된 하이퍼파라미터가 결과를 얼마나 더 향상시킬 수 있는가?

주요 결과

• PNASNet-5-Large가 테스트된 모델들 중 최고의 검증 점수 0.76을 달성했다.
• 다양한 심층 학습 모델(InceptionResNetV2, SENet154, InceptionV4)이 ISIC 2018에서 평가되었다.
• 피부경 촬영 이미지는 네트워크에 입력하기 전에 적절히 전처리되고 증강되었다.
• 저자들은 더 큰 훈련 데이터 세트와 최적화된 하이퍼파라미터가 성능을 향상시킬 수 있다고 시사한다.
• 해당 접근법에 대한 코드는 제공된 URL에서 이용 가능하다.