[논문 리뷰] Deep Learning for Skin Lesion Classification

P. Mirunalini, Chandrabose Aravindan외 2명|arXiv (Cornell University)|2017. 03. 13.

Cutaneous Melanoma Detection and Management참고 문헌 4인용 수 24

한 줄 요약

이 논문은 구글의 Inception-v3 모델에서 전이 학습을 활용하여 자동화된 피부 병변 분류를 위한 이단계 딥 러닝 시스템을 제안한다. 1000차원 이미지 표현을 추출하고, 두 개의 별도의 2층 피드포워드 네트워크를 사용하여 병변을 양성/악성(단계-1) 및 피그먼트성/비피그먼트성(단계-2)으로 분류하며, ISIC 2017 검증 세트에서 총 AUC 65.8%를 달성한다.

ABSTRACT

Melanoma, a malignant form of skin cancer is very threatening to life. Diagnosis of melanoma at an earlier stage is highly needed as it has a very high cure rate. Benign and malignant forms of skin cancer can be detected by analyzing the lesions present on the surface of the skin using dermoscopic images. In this work, an automated skin lesion detection system has been developed which learns the representation of the image using Google's pretrained CNN model known as Inception-v3 \cite{cnn}. After obtaining the representation vector for our input dermoscopic images we have trained two layer feed forward neural network to classify the images as malignant or benign. The system also classifies the images based on the cause of the cancer either due to melanocytic or non-melanocytic cells using a different neural network. These classification tasks are part of the challenge organized by International Skin Imaging Collaboration (ISIC) 2017. Our system learns to classify the images based on the model built using the training images given in the challenge and the experimental results were evaluated using validation and test sets. Our system has achieved an overall accuracy of 65.8\% for the validation set.

연구 동기 및 목표

• 딥 러닝을 활용하여 도구적 영상 자료를 이용해 피부 병변을 양성 또는 악성으로 자동 분류하는 시스템을 개발하는 것.
• 도구적 영상 자료를 활용하여 피부암의 기저 원인을 피그먼트성 또는 비피그먼트성으로 분류하는 것.
• 제한된 학습 데이터로 분류 성능을 향상시키기 위해 사전 학습된 Inception-v3 모델에서 전이 학습을 활용하는 것.
• 도구적 영상에서 추출한 딥 특징을 활용하여 진단을 자동화하여 초기 메라노마 탐지 과제를 해결하는 것.

제안 방법

• 도구적 영상의 크기를 299×299×3으로 조정하고, 반사, 자르기, 스케일링, 밝기 조정 등의 방법으로 증강한다.
• 사전 학습된 Inception-v3 모델을 사용하여 다음-마지막 레이어에서 1000차원 특징 표현을 추출한다.
• 은닉층에 1000개의 뉴런과 출력층에 2개의 뉴런을 가지며 소프트맥스 활성화 함수를 사용하는 2층 피드포워드 신경망을 학습시킨다.
• 단계-1(양성/악성) 및 단계-2(피그먼트성/비피그먼트성) 분류를 위해 동일한 표현 벡터를 두 개의 별도 피드포워드 네트워크에 적용한다.
• 4000회 반복 동안 Adam 옵timizer와 교차 엔트로피 손실 함수를 사용하여 네트워크를 최적화한다.
• ISIC 2017 챌린지 데이터세트의 150장으로 구성된 검증 세트에서 성능을 평가한다.

실험 결과

연구 질문

• RQ1 사전 학습된 Inception-v3 모델에서 전이 학습을 활용하여 도구적 영상 자료를 이용해 피부 병변을 양성 또는 악성으로 효과적으로 분류할 수 있는가?
• RQ2 같은 학습된 이미지 표현을 사용하여 피부암의 원인이 피그먼트성인지 비피그먼트성인지 구분할 수 있는가?
• RQ3 기존의 특징 엔지니어링 방법과 비교해 볼 때, 이중단계 분류 시스템의 성능은 어떻게 되는가?
• RQ4 ISIC 2017 검증 세트에서 안정적인 성능을 달성하기 위해 최적의 학습 반복 수는 얼마인가?

주요 결과

• 병변을 양성 또는 악성으로 분류하는 데 있어 검증 세트 정확도가 72%를 기록했다(단계-1).
• 암의 원인을 피그먼트성 또는 비피그먼트성으로 분류하는 데 있어 검증 세트 정확도가 71%를 기록했다(단계-2).
• 검증 세트의 전체 수신기 작동 특성 곡선 아래 면적(AUC)은 65.8%였으며, 중간 수준의 진단 성능를 나타낸다.
• 4000회 반복 시점에서 단계-1의 학습 정확도는 82.5%, 단계-2는 81.4%에 도달하여 훈련 데이터에 대해 양호한 수렴을 보였다.
• 훈련 손실 곡선을 통해 4000회 훈련 반복 동안 손실 함수가 효과적으로 최소화되었음을 확인했다.
• 반사, 자르기, 밝기 조정 등의 데이터 증강 기법을 활용함으로써 모델의 일반화 성능이 향상되었다.