[논문 리뷰] Deep-CLASS at ISIC Machine Learning Challenge 2018

Sara Nasiri, Matthias Jung외 2명|arXiv (Cornell University)|2018. 07. 24.

Cutaneous Melanoma Detection and Management참고 문헌 2인용 수 3

한 줄 요약

이 논문은 ISIC 2018 챌린지에서 도구 피부 병변 영상에서 일곱 가지 피부 병변 유형을 분류하기 위한 19층의 컨볼루션 신경망(CNN) 프레임워크인 Deep-CLASS를 제시한다. MATLAB를 사용한 Caffe에서의 데이터 증강 및 최적화된 CNN을 통해 모델은 피부판상선종과 혈관성 병변에서 최대 98%의 정확도를 기록하였으며, 악성 피부암인 피부암에서는 82%의 정확도를 기록하여 다중 클래스 피부질환 분류에서 뛰어난 성능을 보였다.

ABSTRACT

This paper reports the method and evaluation results of MedAusbild team for ISIC challenge task. Since early 2017, our team has worked on melanoma classification [1][6], and has employed deep learning since beginning of 2018 [7]. Deep learning helps researchers absolutely to treat and detect diseases by analyzing medical data (e.g., medical images). One of the representative models among the various deep-learning models is a convolutional neural network (CNN). Although our team has an experience with segmentation and classification of benign and malignant skin-lesions, we have participated in the task 3 of ISIC Challenge 2018 for classification of seven skin diseases, explained in this paper.

연구 동기 및 목표

• 도구 피부 병변 영상에서 일곱 가지 피부 병변 유형을 정확하게 분류하기 위한 딥 러닝 기반 시스템을 개발하는 것.
• 의료 영상 데이터에 대한 엔드 투 엔드 딥 러닝을 통해 피부암 및 기타 피부암 조기 탐지 성능을 향상시키는 것.
• 피부 병변 분류에서의 불균형 데이터셋 문제를 데이터 증강 및 모델 최적화를 통해 해결하는 것.
• ISIC 2018 기준 데이터셋을 사용하여 커스터마이징된 CNN 프레임워크의 성능을 평가하는 것.

제안 방법

• 11개의 컨볼루션 레이어, 5개의 맥스 풀링 레이어, 3개의 완전 연결 레이어를 포함한 19층의 딥 CNN 아키텍처를 설계하였다.
• 입력 영상의 크기를 128×128×3으로 조정하고, 회전 및 반전을 통한 데이터 증강을 수행하여 훈련 다양성을 높였다.
• 최적의 성능을 확보하기 위해 Caffe 딥 러닝 프레임워크를 사용하여 모델을 구현하고, 최적화된 초모수로 훈련하였다.
• 시스템 개발을 위해 MATLAB를 사용하였으며, 영상 처리, 병렬 계산, App Designer를 통한 애플리케이션 배포 기능을 포함하였다.
• 데이터셋의 클래스 불균형 문제를 해결하기 위해 클래스 가중치 및 손실 최적화 기법을 적용하였다.
• 평가 작업은 HAM10000 데이터셋의 161개 이미지로 구성된 보류된 테스트 세트에서 수행되었다.

실험 결과

연구 질문

• RQ1 딥 CNN 모델이 도구 피부 병변 영상에서 일곱 가지 다른 피부 병변 유형을 높은 정확도로 분류할 수 있는가?
• RQ2 데이터 증강은 불균형 피부 병변 데이터셋에서 모델의 일반화 능력과 성능에 어떤 영향을 미치는가?
• RQ3 ISIC 2018 Task 3 기준에서 최적화된 CNN 모델의 다중 클래스 피부질환 분류 성능은 어떠한가?
• RQ4 실제 임상 데이터셋에서 다양한 피부 병변 유형 간 정밀도, 재현율, 특이도 및 F-측정치는 어떻게 변화하는가?

주요 결과

• 피부판상선종(D)과 혈관성 병변(VL)에서 각각 98%의 정확도를 기록하여 희귀 병변에 대해 강력한 성능을 보였다.
• 피부암(M) 분류에서는 82%의 정확도를 기록하였으며, 민감도(재현율)는 47%, 정밀도는 30%로 악성 병변 탐지에 어려움이 있음을 시사하였다.
• 흑색모세관종(N)은 가장 높은 F-측정치(78%)와 정밀도(90%)를 기록하여 양성 병변에 대해 모델의 신뢰도와 성능이 뛰어났다.
• 혼동 행렬 분석 결과, 피부암이 흑색모세관종으로 자주 잘못 분류되는 것으로 나타나, 병변 간 유사성 문제를 시사하였다.
• 기저세포암(BCC)은 92%의 정확도를 기록하였으며, 민감도는 52%, 특이도는 94%로 중간 수준의 탐지 능력을 보였다.
• 모델는 양성 및 혈관성 병변에 대해 강건한 성능를 보였지만, 피부암과 악성 각화세포암(AK)에서는 클래스 불균형과 외관 유사성로 인해 어려움을 겪었다.