[논문 리뷰] DenseNet approach to segmentation and classification of dermatoscopic skin lesions images

Reza Zare, Arash Pourkazemi|arXiv (Cornell University)|2021. 10. 09.

Cutaneous Melanoma Detection and Management인용 수 5

한 줄 요약

이 논문은 정밀한 피부병변 분할을 위한 U-Net과 정확한 분류를 위한 DenseNet121을 조합한 하이브리드 딥러닝 프레임워크를 제안한다. ISIC-2018 및 HAM10000 데이터셋에서 평가한 결과, 비암성 병변과 암성 병변을 구분하는 데 93.11%의 정확도를 기록하여 피부암 진단의 분할 및 다중 분류 작업에서 뛰어난 성능을 입증한다.

ABSTRACT

At present, cancer is one of the most important health issues in the world. Because early detection and appropriate treatment in cancer are very effective in the recovery and survival of patients, image processing as a diagnostic tool can help doctors to diagnose in the first recognition of cancer. One of the most important steps in diagnosing a skin lesion is to automatically detect the border of the skin image because the accuracy of the next steps depends on it. If these subtleties are identified, they can have a great impact on the diagnosis of the disease. Therefore, there is a good opportunity to develop more accurate algorithms to analyze such images. This paper proposes an improved method for segmentation and classification for skin lesions using two architectures, the U-Net for image segmentation and the DenseNet121 for image classification which have excellent accuracy. We tested the segmentation architecture of our model on the ISIC-2018 dataset and the classification on the HAM10000 dataset. Our results show that the combination of U-Net and DenseNet121 architectures provides acceptable results in dermatoscopic image analysis compared to previous research. Another classification examined in this study is cancerous and non-cancerous samples. In this classification, cancerous and non-cancerous samples were detected in DenseNet121 network with 79.49% and 93.11% accuracy respectively.

연구 동기 및 목표

• 조기 피부암 진단을 위한 자동 분할 및 분류의 정확도를 향상시키기 위해.
• 진단 정확도에 상당한 영향을 미치는 정밀한 병변 경계 검출 문제를 해결하기 위해.
• 표준화된 피부병변 영상 데이터셋에서 U-Net과 DenseNet121 앙상블 모델의 성능을 평가하기 위해.
• 높은 정밀도로 병변을 암성 또는 비암성으로 분류할 수 있는 능력을 평가하기 위해.
• 딥러닝을 활용한 피부과 임상 의사결정 지원을 위한 종단간 솔루션을 제공하기 위해.

제안 방법

• 병변 경계를 정확히 묘사하기 위해 피부병변의 의미적 분할을 위한 U-Net 아키텍처를 활용한다.
• 밀도 연결을 통해 특징 재사용과 개선된 기울기 흐름을 확보하기 위해 DenseNet121을 분류 백본으로 활용한다.
• 분할 작업은 ISIC-2018 데이터셋에서, 분류 작업은 HAM10000 데이터셋에서 엔드 투 엔드로 훈련한다.
• 제한된 피부병변 데이터에서 수렴성과 성능을 향상시키기 위해 ImageNet 사전학습된 가중치를 활용한 전이학습을 적용한다.
• Adam 옵timizer와 학습률 스케줄링을 포함한 표준 딥러닝 최적화 기법을 사용한다.
• 일반화 능력을 향상시키기 위해 회전, 반전, 색상 왜곡과 같은 데이터 증강 전략을 적용한다.

실험 결과

연구 질문

• RQ1 U-Net과 DenseNet121의 하이브리드 모델이 이전 방법들과 비교해 피부병변 영상에서 우수한 분할 및 분류 성능을 달성할 수 있는가?
• RQ2 HAM10000 데이터셋을 사용할 때 모델이 암성과 비암성 피부병변을 얼마나 정확하게 구분할 수 있는가?
• RQ3 정밀한 병변 분할이 피부암 진단의 후속 분류 정확도에 얼마나 기여하는가?
• RQ4 ISIC-2018 데이터셋에서 모델의 분할 성능 지표(예: Dice 계수 또는 IoU) 측면에서의 성능은 어떠한가?
• RQ5 모델은 다양한 피부병변 영상 분포에 대해 얼마나 잘 일반화되는가?

주요 결과

• 제안된 모델은 HAM10000 데이터셋에서 비암성 피부병변을 93.11%의 정확도로 분류했다.
• 모델은 암성 병변을 79.49%의 정확도로 식별하여 악성 병변을 효과적으로 구분하는 데 강력한 성능을 보였다.
• U-Net과 DenseNet121의 통합은 각각 ISIC-2018 및 HAM10000 데이터셋에서 만족스러운 분할 및 분류 결과를 도출했다.
• DenseNet121의 밀도 연결 덕분에 효과적인 특징 학습이 가능해져 분류의 강건성이 향상되었다.
• 정밀한 병변 위치 추적과 높은 진단 정확도를 결합함으로써 임상 의사결정 지원 도구로서의 잠재력을 보였다.
• 결과적으로 제안된 프레임워크는 피부병변 영상의 통합 분할 및 분류 작업에서 이전 접근 방식을 능가하는 것으로 나타났다.