[논문 리뷰] Automatic Detection and Classification of Tick-borne Skin Lesions using Deep Learning

Lauren Michelle Pfeifer, Matías Valdenegro-Toro|arXiv (Cornell University)|2020. 11. 23.

Viral Infections and Vectors참고 문헌 5인용 수 5

한 줄 요약

이 연구는 다국어 Google 이미지 검색을 활용해 6,080장의 다양한 이미지를 수집한 다중 컨volution 신경망 아키텍처를 사용한 딥러닝 접근법을 제안하여, 라이ム병과 관련된 에리테마 마이그랜스, 모기 물개, 건강한 피부를 자동으로 감지하고 분류한다. 최고의 성능을 보인 모델인 DenseNet121은 80.72%의 정확도를 기록했으며, 피부 톤 간 일반화 능력 향상과 데이터셋 편향 감소를 입증했다.

ABSTRACT

Around the globe, ticks are the culprit of transmitting a variety of bacterial, viral and parasitic diseases. The incidence of tick-borne diseases has drastically increased within the last decade, with annual cases of Lyme disease soaring to an estimated 300,000 in the United States alone. As a result, more efforts in improving lesion identification approaches and diagnostics for tick-borne illnesses is critical. The objective for this study is to build upon the approach used by Burlina et al. by using a variety of convolutional neural network models to detect tick-borne skin lesions. We expanded the data inputs by acquiring images from Google in seven different languages to test if this would diversify training data and improve the accuracy of skin lesion detection. The final dataset included nearly 6,080 images and was trained on a combination of architectures (ResNet 34, ResNet 50, VGG 19, and Dense Net 121). We obtained an accuracy of 80.72% with our model trained on the DenseNet 121 architecture.

연구 동기 및 목표

• 티크-borne 피부 병변의 자동 감지 정확도와 공정성을 향상시키고, 라이ム병과 관련된 에리테마 마이그랜스에 특히 초점을 맞춘다.
• 피부 색소, 질감, 세계 각지의 지리적 다양성을 반영한 훈련 데이터를 통해 피부 병변 분류 모델의 편향을 줄인다.
• 이중 분류를 넘어서 에리테마 마이그랜스, 모기 물개, 건강한 피부의 3개 클래스를 분류하는 모델을 개발한다.
• 다국어 검색 쿼리가 피부과 영상 분류에서 데이터셋 다양성과 모델 성능에 미치는 영향을 평가한다.
• 미래의 공개 데이터셋 공유를 통해 조기 진단 연구를 지원할 수 있는 다양한 다국어 피부 병변 데이터셋의 기반을 마련한다.

제안 방법

• 영어, 스페인어, 프랑스어, 독일어, 포르투갈어, 간체중국어, 러시아어 등 7개 언어로 검색 쿼리를 사용해 Google 이미지에서 6,080장의 이미지를 수집하여 피부 톤과 병변 외관의 다양성을 높였다.
• 에리테마 마이그랜스, 모기 물개, 건강한 피부의 3개 클래스로 구성된 분류 데이터셋을 구축하였으며, 건강한 피부는 해부학적 병변이나 모기 물개가 없는 피부로 정의되었다.
• ResNet34, ResNet50, VGG19, DenseNet121의 4종의 딥러닝 아키텍처를 데이터셋에 대해 훈련시켜 각 모델 간 성능을 비교하였다.
• 다국어 검색 쿼리를 사용해 데이터 다양성을 향상시켰으며, 특히 어두운 피부 톤의 이미지 포함에 기여했으며, Google 번역을 통해 번역 정확도를 검증하였다.
• 정확도를 주요 평가 지표로 사용하여 모델 성능을 평가하였으며, 아키텍처 간 비교를 통해 최적의 아키텍처를 도출하였다.
• 향후 작업으로는 공개 데이터셋 배포, SVM, InceptionV4, MobileNet, EfficientNet 등의 대안 모델 테스트, 앙상블 학습 접근법을 고려한다.

실험 결과

연구 질문

• RQ1 다국어 이미지 검색 전략은 피부 병변 분류 모델의 훈련 데이터 다양성과 대표성 향상에 기여할 수 있는가?
• RQ2 비영어권 지역에서 수집한 이미지를 통합함으로써 다양한 피부 유형과 병변 외관에 대한 모델 일반화 능력이 향상되는가?
• RQ3 에리테마 마이그랜스, 모기 물개, 건강한 피부를 분류하는 데 있어 여러 딥러닝 아키텍처 간 성능 차이는 무엇인가?
• RQ4 피부 색소와 질감과 관련된 데이터셋 편향이 피부과 진단에서 딥러닝 모델의 정확도와 공정성에 어떤 영향을 미치는가?
• RQ5 다국어 데이터 수집 전략을 통해 에리테마 마이그랜스를 모기 물개로 잘못 분류하는 임상적 오류를 줄일 수 있는가?

주요 결과

• DenseNet121 아키텍처가 에리테마 마이그랜스, 모기 물개, 건강한 피부를 분류하는 데 가장 높은 정확도 80.72%를 기록했다.
• ResNet34는 두 번째로 높은 정확도 79.16%를 기록했으며, VGG19와 ResNet50는 각각 78.64%와 53.12%의 정확도를 기록하여 아키텍처의 차이가 성능에 상당한 영향을 미친다는 것을 확인했다.
• 다국어 검색 쿼리의 사용이 데이터셋 다양성 향상에 성공했으며, 특히 어두운 피부 톤의 모든 세 클래스에 대한 이미지 포함에 기여했다.
• 단일 언어로 수집된 데이터셋 대비 피부 색소와 질감 표현의 편향이 감소했으며, 비백인 피부 유형의 커버리지가 특히 향상되었다.
• 건강한 피부 클래스의 정확한 분류에 어려움이 있음을 확인했으며, 이 클래스의 경우 더 정교한 검색 쿼리와 데이터 정제가 필요하다는 점을 시사한다.
• 연구진은 향후 데이터셋을 공개 배포할 계획이며, InceptionV4, MobileNet, EfficientNet 등의 추가 모델을 탐색해 성능 향상을 도모할 예정이다.