[논문 리뷰] Automatic segmentation of skin lesions using deep learning

Joshua P. Ebenezer, Jagath C. Rajapakse|arXiv (Cornell University)|2018. 07. 13.

Cutaneous Melanoma Detection and Management참고 문헌 6인용 수 5

한 줄 요약

이 논문은 ISIC 2018 데이터에서 훈련된 수정된 U-Net 아키텍처를 사용하여 피부 병변 자동 분할을 위한 딥러닝 프레임워크를 제시한다. 입력 영상에 밝기, 색상, 질감 전처리를 적용하고, 마스크를 정밀하게 다듬기 위해 형태학적 후처리를 적용하여 검증 데이터에서 임계값 설정 Jaccard 지수 0.756을 달성하였으며, 병변 경계 검출 분야에서 최신 기술 수준의 성능을 입증하였다.

ABSTRACT

This paper summarizes the method used in our submission to Task 1 of the International Skin Imaging Collaboration's (ISIC) Skin Lesion Analysis Towards Melanoma Detection challenge held in 2018. We used a fully automated method to accurately segment lesion boundaries from dermoscopic images. A U-net deep learning network is trained on publicly available data from ISIC. We introduce the use of intensity, color, and texture enhancement operations as pre-processing steps and morphological operations and contour identification as post-processing steps.

연구 동기 및 목표

• 피부 내시경 영상에서 병변 경계를 정확하게 분할하기 위한 자동화된, 완전 컨볼루션 기반의 방법 개발.
• 딥러닝 처리 이전에 영상 대trast, 색상 정확도, 질감 세부 정보를 향상시켜 분할 성능 향상.
• 저대비 및 병변 가장자리 근처의 유사한 피부 톤 색상으로 인한 병변 경계 검출 과제 해결.
• 공격적인 데이터 증강 및 앙상블 훈련을 통해 강인성과 일반화 능력 확보.
• 임상 피부과 영상에 적용 가능한 단순하고 빠르며 효율적인 파이프라인 제공.

제안 방법

• 원래 U-Net과 비교해 각 레이어의 필터 수를 절반으로 줄이고, 입력과 출력의 공간 차원이 동일한 수정된 U-Net 아키텍처 사용.
• 다섯 채널 입력 특징 생성: 세 가지 색상 유지형 색상 강화 RGB 채널, 한 가지 대비 강화된 밝기 채널, 한 가지 질감 강화된 밝기 채널.
• 전처리에는 층별 차분 2차원 히스토그램 표현을 통한 밝기 대비 강화, 게임트 벗어나지 않는 색상 유지형 색상 강화, 그리고 순서 v=0.5인 분수 차분 마스크를 사용한 다중 척도 질감 강화 포함.
• 후처리에는 5×5 정사각형 구조 요소를 사용한 형태학적 열림 및 닫힘 연산을 적용하여 노이즈와 구멍 제거 후, 가장 큰 연결된 윤곽을 최종 마스크로 선택.
• Adam 옵timizer를 사용하여 훈련하며, 학습률 1e-4, L2 정규화, Dice 계수 기반 이진 교차 엔트로피 손실 사용.
• 앙상블 추론는 서로 다른 무작위 데이터 분할에서 30개의 별도 네트워크를 훈련하고, 각각 3개의 그룹으로 나누어 25개 모델씩 예측 평균화.

실험 결과

연구 질문

• RQ1 다중 모odal 영상 전처리가 피부 병변 분할에서 딥러닝 모델의 성능을 크게 향상시킬 수 있는가?
• RQ2 밝기, 색상, 질감 강화의 통합이 내시경 영상에서 U-Net 기반 분할의 일반화 및 정확도에 어떤 영향을 미치는가?
• RQ3 형태학적 후처리 및 윤곽 선택이 예측된 병변 마스크의 연결성과 품질을 얼마나 향상시킬 수 있는가?
• RQ4 데이터 증강을 통한 독립적으로 훈련된 U-Net 모델 앙상블이 병변 경계 분할에서 단일 모델 기반 베이스라인을 초월하는가?
• RQ5 필터 수를 줄이고 입력/출력 크기를 동일하게 유지한 수정된 U-Net 아키텍처는 성능을 유지하면서 추론 효율성을 향상시킬 수 있는가?

주요 결과

• 제안된 방법은 ISIC 2018 검증 세트에서 임계값 설정 Jaccard 지수 0.756을 달성하였으며, 별도의 세 개의 앙상블 제출에서 각각 0.750과 0.746의 점수를 추가로 확보하였다.
• 임계값 설정 Jaccard 지수는 원래 Jaccard 지수가 0.65 이하일 경우 0으로 설정되며, 이외의 경우 원래 값으로 유지되며, 저신뢰도 예측에 대한 강인성을 나타낸다.
• 색상 유지형 색상, 대비 강화된 밝기, 질감 강화된 밝기를 조합한 다섯 채널 입력은 단일 채널 또는 비강화 입력보다 분할 품질을 크게 향상시켰다.
• 공격적인 온라인 데이터 증강(무작위 회전, 뒤집기, 줌 인/아웃)이 모델의 일반화 및 강인성 향상에 기여하였다.
• 필터 수를 줄이고 입력/출력 크기를 동일하게 유지한 수정된 U-Net 아키텍처는 높은 성능을 유지하면서 표준화된 128×128 해상도에서 엔드 투 엔드 훈련 및 추론를 가능하게 하였다.
• 형태학적 연산과 가장 큰 윤곽 선택을 통한 후처리로 소형 잡음 및 구멍이 효과적으로 제거되어 더 해부학적으로 타당한 병변 마스크가 도출되었다.