[논문 리뷰] Automatic Skin Lesion Segmentation using Semi-supervised Learning Technique

S. M. Jaisakthi, Chandrabose Aravindan외 1명|arXiv (Cornell University)|2017. 03. 13.

Cutaneous Melanoma Detection and Management참고 문헌 1인용 수 22

한 줄 요약

이 논문은 조명 보정 및 모발 제거를 위한 전처리를 수행한 후 k-means 군집화와 히스토GRAM 기반 색상 필터링을 사용하여 피부 병변을 분리하는 준지도 학습 기반의 피부 병변 세그멘테이션 방법을 제안한다. 이 방법은 ISIC 2017 검증 세트에서 Jaccard 점수 0.548를 기록하여 조기 메라노마 진단을 위한 자동 병변 탐지의 효과성을 입증한다.

ABSTRACT

Skin cancer is the most common of all cancers and each year million cases of skin cancer are treated. Treating and curing skin cancer is easy, if it is diagnosed and treated at an early stage. In this work we propose an automatic technique for skin lesion segmentation in dermoscopic images which helps in classifying the skin cancer types. The proposed method comprises of two major phases (1) preprocessing and (2) segmentation using semi-supervised learning algorithm. In the preprocessing phase noise are removed using filtering technique and in the segmentation phase skin lesions are segmented based on clustering technique. K-means clustering algorithm is used to cluster the preprocessed images and skin lesions are filtered from these clusters based on the color feature. Color of the skin lesions are learned from the training images using histograms calculations in RGB color space. The training images were downloaded from the ISIC 2017 challenge website and the experimental results were evaluated using validation and test sets.

연구 동기 및 목표

• 조기 메라노마 진단을 위한 자동 피부 병변 세그멘테이션 시스템을 개발하기 위해.
• 불균일한 조명, 모발 잔상, 노이즈 등의 문제를 해결하기 위해.
• 학습 데이터의 진정한 레이블을 활용하여 병변 세그멘테이션를 안내하는 준지도 학습 기법을 활용하기 위해.
• 색상 및 군집 기반 세그멘테이션을 통해 병변 영역을 고립시켜 임상 정확도를 향상시키기 위해.

제안 방법

• 계산 부하를 줄이기 위해 원본 크기의 25% 이하로 조정된 이미지의 경우, 차원이 1500 픽셀을 초과할 경우 크기를 조정한다.
• 조명 불균형을 보정하기 위해 Lab 색상 공간의 L 채널에 CLAHE를 적용한다.
• 헤시안 행렬 고유값 분석 기반의 튜브형 구조 강조 기반으로 Frangi 혈관성 필터를 사용하여 모발 제거를 수행한다.
• 병변 색상 경계를 정의하기 위해 진정한 레이블이 있는 학습 이미지에서 RGB 히스토GRAM을 사용하여 색상 특징을 추출한다.
• 색상 유사도 기반으로 픽셀을 군집화하기 위해 k=5로 설정된 k-means 군집화를 적용하여 병변 영역을 배경 및 잡음과 분리한다.
• 밀도 높은 병변 영역과 경계 영역을 모두 세그멘테이션하기 위해 두 개의 시드 포인트(중심 및 경계 근처)를 사용한 플러드 필 및 연결 성분 레이블링을 수행한다.

실험 결과

연구 질문

• RQ1 제한된 레이블이 있는 학습 데이터를 사용할 때 준지도 학습이 피부 병변 세그멘테이션 정확도를 향상시킬 수 있는가?
• RQ2 k-means 군집화와 색상 히스토GRAM 분석을 조합하여 병변 영역을 정상 조직 및 잡음과 효과적으로 분리할 수 있는가?
• RQ3 CLAHE 및 Frangi 필터링과 같은 전처리 단계가 세그멘테이션 성능 향상에 어느 정도 기여하는가?
• RQ4 플러드 필에 다중 시드 포인트를 사용할 경우 병변 영역의 완전성에 어떤 영향을 미치는가?

주요 결과

• 제안된 방법은 ISIC 2017 검증 세트에서 Jaccard 점수 0.548를 기록하여 진정한 병변 영역과 중간 정도에서 강한 겹침을 보였다.
• 감도가 높아, 낮은 Jaccard 지수에도 불구하고 실제 병변 영역을 효과적으로 탐지함을 시사한다.
• CLAHE의 사용은 비균일한 조명을 보정함으로써 병변 영역의 대trast와 균일성을 크게 향상시켰다.
• Frangi 혈관성 필터링은 모발 및 기타 튜브형 잡음을 효과적으로 제거하여 가짜 양성 결과를 줄였다.
• k=5로 설정된 k-means 군집화는 병변 영역을 배경, 노이즈 및 영상 잡음으로부터 성공적으로 분리하였다.
• 이중 시드 포인트 플러드 필 접근법은 중심 영역과 경계 영역을 모두 포괄함으로써 세그멘테이션의 완전성을 향상시켰다.