[논문 리뷰] Automatic Skin Lesion Segmentation Using Deep Fully Convolutional Networks

Hongming Xu, Tae Hyun Hwang|arXiv (Cornell University)|2018. 07. 17.

Cutaneous Melanoma Detection and Management참고 문헌 6인용 수 6

한 줄 요약

이 논문은 피부 병변 영상에서 자동으로 병변을 분할하기 위한 U-Net 유사 아키텍처 기반의 딥 풀 컨볼루션 네트워크를 제안한다. 조합된 이진 교차 엔트로피 손실과 딱스 손실을 사용하여, ISIC 2018 검증 세트에서 평균 재현율 지수(Jaccard index)가 0.738에 도달하여 다양한 영상 변형에 대해 강력한 성능을 보였다.

ABSTRACT

This paper summarizes our method and validation results for the ISIC Challenge 2018 - Skin Lesion Analysis Towards Melanoma Detection - Task 1: Lesion Segmentation

연구 동기 및 목표

• 피부 병변 영상에서의 정확한 병변 분할을 위한 자동화된 방법을 개발하여 조기 색소세포암 검출을 지원한다.
• 다양한 피부 병변 영상 데이터셋에서 병변의 외형과 영상 품질의 높은 변동성을 다루는 데 도전한다.
• 데이터 증강과 하이브리드 손실 함수를 통해 다양한 촬영 조건에서도 분할 성능의 강건성을 향상시킨다.
• 완전 컨볼루션 아키텍처를 사용하여 ISIC 2018 챌린지 과제 1: 병변 분할에서 높은 성능을 달성한다.

제안 방법

• 입력된 피부 병변 영상에서 병변 영역의 사후 확률 맵을 예측하기 위해 U-Net 유사 풀 컨볼루션 네트워크를 훈련시킨다.
• 네트워크는 27개의 컨볼루션 블록, 5개의 업컨볼루션 레이어, 5개의 맥스 풀링 레이어, 그리고 출력을 위해 시그모이드 활성화 함수를 사용하는 1x1 컨볼루션을 포함한다.
• 이미지 입력은 훈련 세트의 차원을 표준화하기 위해 384×512 픽셀로 크기 조정된다.
• 모든 미니배치에 대해 랜덤 회전, 스케일링(최대 10%), 이동(최대 10%)을 사용하여 데이터 증강을 적용하여 강건성을 향상시킨다.
• 이진 교차 엔트로피와 딱스 계수를 조합한 하이브리드 손실 함수를 사용하여 클래스 불균형을 균형 잡고 IoU 유사 성능을 향상시킨다.
• 후처리 단계에서는 이중 임계값 방법을 적용한다: 높은 임계값(0.8)은 가장 가능성 높은 병변 영역을 식별하고, 낮은 임계값(0.5)은 후보 영역을 정의하며, 최종 마스크는 높은 임계값 영역를 둘러싸는 후보 영역이 된다.

실험 결과

연구 질문

• RQ1 딥 풀 컨볼루션 네트워크는 다양한 피부 병변 영상 변형에 대해 강건한 병변 분할을 달성할 수 있는가?
• RQ2 조합된 이진 교차 엔트로피 손실과 딱스 손실은 불균형한 병변 분할 작업에서 분할 정확도를 향상시키는 데 얼마나 효과적인가?
• RQ3 데이터 증강이 다양한 영상 촬영 조건 하에서 모델의 일반화 능력을 얼마나 향상시키는가?
• RQ4 이중 임계값 후처리 전략은 단일 임계값 방법에 비해 분할 마스크 품질을 얼마나 향상시키는가?

주요 결과

• 다섯 개의 독립적으로 훈련된 모델을 기반으로, 100개 영상의 ISIC 2018 검증 세트에서 평균 재현율 지수(Jaccard index)가 0.738에 도달했다.
• 가장 성능이 뛰어난 모델은 검증 점수 0.749를 기록하여 병변 경계 예측의 높은 일관성과 신뢰성을 보였다.
• 데이터 증강을 활용함으로써 모델의 강건성이 향상되어 다양한 영상 조건에서도 일관된 성능을 유지했다.
• 이진 교차 엔트로피와 딱스 계수를 조합한 하이브리드 손실 함수는 클래스 불균형 문제를 효과적으로 완화하고 IoU 기반의 분할 성능을 향상시켰다.
• 다섯 개 모델의 예측을 앙상블하고 이중 임계값 후처리를 적용함으로써 테스트 세트에서 최종 분할 품질이 향상되었다.
• 실제 적용 가능성을 입증하기 위해 1000개 영상의 테스트 세트 기반으로 ISIC 2018 챌린지 랭킹에서 최종 순위를 확보하였다.