[논문 리뷰] Classification of Dermoscopy Images using Deep Learning

Nithin Reddy|arXiv (Cornell University)|2018. 08. 05.

Cutaneous Melanoma Detection and Management참고 문헌 5인용 수 7

한 줄 요약

이 논문은 HAM10000 데이터셋의 피부병변 단면영상을 사용하여 ResNet50 기반의 합성곱 신경망을 활용한 딥러닝 접근법을 제안하여 7종의 피부암 유형으로 분류한다. 유도 영상에서 학습된 모델은 검증 세트에서 균형 잡힌 정확도 91%를 달성하여 자원이 제한된 환경에서의 자동 피부 병변 분류에 강력한 성능을 보였다.

ABSTRACT

Skin cancer is one of the most common forms of cancer and its incidence is projected to rise over the next decade. Artificial intelligence is a viable solution to the issue of providing quality care to patients in areas lacking access to trained dermatologists. Considerable progress has been made in the use of automated applications for accurate classification of skin lesions from digital images. In this manuscript, we discuss the design and implementation of a deep learning algorithm for classification of dermoscopy images from the HAM10000 Dataset. We trained a convolutional neural network based on the ResNet50 architecture to accurately classify dermoscopy images of skin lesions into one of seven disease categories. Using our custom model, we obtained a balanced accuracy of 91% on the validation dataset.

연구 동기 및 목표

• 피부병변 단면영상을 자동으로 분류하기 위한 딥러닝 기반의 자동화 시스템을 개발하여 피부과 전문의의 임상적 의사결정 지원을 목적으로 한다.
• 피부암의 유병률 증가와 특히 낙후된 지역에서의 피부과 전문의 부족 문제를 해결하기 위해 노력한다.
• 실제 피부병변 단면 영상 데이터를 기반으로 한 심층 신경망을 활용하여 피부 병변 분류의 정확성과 일관성을 향상시킨다.
• HAM10000 데이터셋에서 커스터마이징된 ResNet50 기반 모델의 성능을 평가한다. 이는 피부 병변 분류 분야의 대규모 기준 데이터셋이다.
• 비침습적 영상 기반으로 조기 피부암 검출을 위한 강력하고 확장 가능한 인공지능 솔루션을 기여한다.

제안 방법

• 특징 추출을 위해 기초 모델로 ResNet50 아키텍처를 사용한 합성곱 신경망(CNN)을 구축하였다.
• 전이 학습을 적용하기 위해 사전 훈련된 ResNet50 가중치를 HAM10000 데이터셋에 맞게 미세조정하였다.
• 최종 분류 레이어를 재학습시켜 7개 클래스로 각각 다른 피부 병변 유형을 출력하도록 하였다.
• 모델의 일반화 능력 향상과 과적합 방지를 위해 데이터 증강 기법을 사용하였다.
• 스티어티식 그래디언트 디센트를 사용하고 교차 엔트로피 손실 함수를 적용하여 모델을 훈련시켰다.
• 균형 잡힌 정확도 기반으로 최고의 모델을 선택하기 위해 검증 세트를 활용하여 성능을 모니터링 하였다.

실험 결과

연구 질문

• RQ1 ResNet50 기반의 딥러닝 모델이 7종의 구분 가능한 피부 병변 유형으로 피부병변 단면영상을 높은 정확도로 분류할 수 있는가?
• RQ2 ImageNet에서 사전 훈련된 가중치를 활용한 전이 학습이 HAM10000 데이터셋에서의 성능 향상에 어떤 영향을 미치는가?
• RQ3 데이터 증강 기법이 모델의 강건성과 일반화 능력 향상에 어느 정도 기여하는가?
• RQ4 검증 세트에서 모델의 균형 잡힌 정확도는 얼마이며, 기준 모델 대비 어떻게 비교되는가?
• RQ5 이 모델은 피부과 전문의 접근이 제한된 임상 환경에서 피부암 스크리닝에 신뢰할 수 있는 도구로 활용될 수 있는가?

주요 결과

• 제안된 딥러닝 모델은 HAM10000 데이터셋의 검증 세트에서 균형 잡힌 정확도 91%를 달성하였다.
• 사전 훈련된 ResNet50 가중치를 활용한 전이 학습은 수렴 속도 향상과 분류 성능 향상에 중대한 기여를 하였다.
• 모델는 모든 7종의 피부 병변 유형에서 일관된 성능을 보이며 강력한 일반화 능력을 입증하였다.
• 데이터 증강 기법은 제한된 훈련 데이터에서의 과적합을 완화하고 모델의 강건성을 향상시키는 데 핵심적인 역할을 하였다.
• 결과적으로 딥러닝 모델는 제한된 환경에서 전문 피부과 전문의 수준의 높은 진단 정확도를 달성할 수 있음을 시사한다.
• 이 모델는 자원이 제한된 환경에서 확장 가능하고 자동화된 피부암 스크리닝 솔루션으로서 실현 가능하다.