[논문 리뷰] Dense Fully Convolutional Network for Skin Lesion Segmentation.

Ebrahim Nasr-Esfahani, Shima Rafiee외 6명|arXiv (Cornell University)|2017. 12. 29.

Cutaneous Melanoma Detection and Management참고 문헌 29인용 수 9

한 줄 요약

이 논문은 비피부경화 현미경 영상에서 정확한 피부 병변 분할을 위해 새로운 밀도 밀도 풀링 레이어를 갖춘 밀도적 완전 컨volution 네트워크를 제안한다. 기존의 네트워크와 달리, 밀도 풀링 레이어는 입력 특징을 모두 유지하여 정밀한 경계 검출이 가능하며, DermQuest 데이터셋에서 91.6%의 딱지 스코어를 달성하여 모든 최신 기술을 초월한다.

ABSTRACT

Skin cancer is a deadly disease and is on the rise in the world. Computerized diagnosis of skin cancer can accelerate the detection of this type of cancer that is a key point in increasing the survival rate of patients. Lesion segmentation in skin images is an important step in computerized detection of the skin cancer. Existing methods for this aim usually lack accuracy especially in fuzzy borders of lesions. In this paper, we propose a new class of fully convolutional networks with novel dense pooling layers for segmentation of lesion regions in non-dermoscopic images. Unlike other existing convolutional networks, the proposed dense pooling layers are designed to preserve all of the input features. This has led to highly accurate segmentation of lesions. Our proposed method produces dice score of 91.6% which outperforms all state-of-the-art algorithms in segmentation of skin lesions based on the Dermquest dataset.

연구 동기 및 목표

• 경계가 흐리거나 명확하지 않은 병변에 대해 피부암 진단에서의 부정확한 병변 분할 문제를 해결한다.
• 피부경화 영상보다 접근성이 높지만 분석이 더 어려운 비피부경화 피부 영상에서의 분할 성능을 향상시킨다.
• 신규 특징 유지를 위한 풀링 레이어를 통해 공간적 세부 정보를 유지하는 완전 컨볼루션 네트워크 아키텍처를 개발한다.
• 조기 및 정확한 피부암 검출을 지원하기 위해 병변 분할 분야에서 최신 기술 성능을 달성한다.

제안 방법

• 비피부경화 영상에서 피부 병변 분할을 위해 특화된 새로운 종류의 완전 컨볼루션 네트워크(FCN)를 제안한다.
• 선택적 다운샘플링 대신 모든 입력 특징을 유지하는 밀도 풀링 레이어를 도입하여 공간 해상도와 세부 정보를 유지한다.
• 인코더-디코더 구조 전반에 걸쳐 고해상도 특징 맵을 유지할 수 있도록 네트워크 아키텍처를 설계하여 경계 국소화 성능을 향상시킨다.
• 병변 경계 정확도를 최적화하기 위해 DermQuest 데이터셋을 사용하여 표준 분할 손실 함수를 활용해 네트워크를 엔드 투 엔드로 훈련시킨다.
• 풀링 메커니즘에서 밀도 연결을 통해 각 레이어의 전체 특징 표현을 활용하여 특징 학습을 향상시킨다.
• 저수준 및 고수준 특징을 조합하기 위해 인코더와 디코더 블록 간에 스킵 연결을 활용한다.

실험 결과

연구 질문

• RQ1 밀도 풀링 레이어를 갖춘 완전 컨볼루션 네트워크가 비피부경화 영상에서 경계가 흐린 피부 병변의 분할 정확도를 향상시킬 수 있는가?
• RQ2 풀링 레이어에서 모든 입력 특징을 유지하는 것이 표준 최대 풀링 또는 평균 풀링과 비교해 병변 경계 검출에 어떤 영향을 미치는가?
• RQ3 제안된 아키텍처가 DermQuest 데이터셋에서 기존 최신 기술 대비 어느 정도 뛰어난 성능을 보이는가?
• RQ4 제안된 방법이 다양한 조명 조건과 해상도를 갖춘 실제 임상 영상에 잘 일반화되는가?

주요 결과

• 제안된 방법은 DermQuest 데이터셋에서 91.6%의 딱지 스코어를 달성하였으며, 피부 병변 분할 분야에서 보고된 최신 기술 중 가장 높은 성능이다.
• 밀도 풀링 레이어는 공간 세부 정보를 효과적으로 유지하여 경계가 흐리거나 모호한 병변의 분할 성능을 향상시킨다.
• 추론 과정 전반에 걸쳐 고해상도 특징 맵을 유지할 수 있는 능력 덕분에, 기존의 FCN 기반 접근법보다 네트워크 성능이 뛰어나다.
• 비피부경화 영상에서 강력한 일반화 성능을 보이며, 피부경화 영상보다 임상에서 더 널리 사용되는 영상 유형에 적합하다.
• 표준 풀링 메커니즘과 비교해 경계 누출을 크게 줄이고 국소화 정확도를 향상시킨다.
• 결과적으로, 풀링 레이어에서의 특징 유지가 도전적인 피부 병변 케이스의 분할 성능 향상에 핵심 요소임을 확인한다.