[논문 리뷰] Dermatologist Level Dermoscopy Skin Cancer Classification Using Different Deep Learning Convolutional Neural Networks Algorithms

Amirreza Rezvantalab, Habib Safigholi외 1명|arXiv (Cornell University)|2018. 10. 21.

Cutaneous Melanoma Detection and Management참고 문헌 31인용 수 100

한 줄 요약

본 논문은 여덟 가지 dermoscopy 피부암 클래스에서 사전 학습된 CNN을 평가하고 CNN이 피부과 의사를 능가함을 보여주며, DenseNet201와 ResNet152가 최고 ROC-AUC 점수를 달성했습니다.

ABSTRACT

In this paper, the effectiveness and capability of convolutional neural networks have been studied in the classification of 8 skin diseases. Different pre-trained state-of-the-art architectures (DenseNet 201, ResNet 152, Inception v3, InceptionResNet v2) were used and applied on 10135 dermoscopy skin images in total (HAM10000: 10015, PH2: 120). The utilized dataset includes 8 diagnostic categories - melanoma, melanocytic nevi, basal cell carcinoma, benign keratosis, actinic keratosis and intraepithelial carcinoma, dermatofibroma, vascular lesions, and atypical nevi. The aim is to compare the ability of deep learning with the performance of highly trained dermatologists. Overall, the mean results show that all deep learning models outperformed dermatologists (at least 11%). The best ROC AUC values for melanoma and basal cell carcinoma are 94.40% (ResNet 152) and 99.30% (DenseNet 201) versus 82.26% and 88.82% of dermatologists, respectively. Also, DenseNet 201 had the highest macro and micro averaged AUC values for overall classification (98.16%, 98.79%, respectively).

연구 동기 및 목표

• 여덟 가지 dermoscopy 피부 질환을 분류하기 위한 사전 학습된 CNN 아키텍처의 효과를 평가한다.
• 합류 데이터세트에서 DenseNet201, ResNet152, Inception v3, InceptionResNet v2 등 여러 CNN 아키텍처를 비교한다.
• ROC AUC 지표를 사용하여 의사 벤치마크와 비교한 모델의 성능을 정량화한다.
• 전체 분류에서 매크로 및 마이크로 평균 AUC를 가장 높게 내는 아키텍처를 식별한다.

제안 방법

• DenseNet201, ResNet152, Inception v3, InceptionResNet v2 등의 사전 학습된 CNN 아키텍처를 사용한다.
• HAM10000: 10,015; PH2: 120 의 합치 데이터셋 10,135 dermoscopy 이미지에 모델을 적용한다.
• Classify images into eight diagnostic categories: melanoma, melanocytic nevi, basal cell carcinoma, benign keratosis, actinic keratosis and intraepithelial carcinoma, dermatofibroma, vascular lesions, atypical nevi.
• 각 클래스 및 전체에 대해 ROC AUC 지표로 성능을 평가한다.
• 초록에 보고된 피부과 의사의 성능과 CNN 성능을 비교한다.
• 특정 암 유형(예: melanoma, BCC)에 대해 최고 성능 아키텍처를 보고한다.

실험 결과

연구 질문

• RQ1 사전 학습된 CNN이 여덟 가지 dermoscopy 클래스에서 피부과 의사의 성능과 같거나 이를 초과할 수 있는가?
• RQ2 어느 CNN 아키텍처가 melanoma 및 basal cell carcinoma에 대해 가장 높은 성능(ROC AUC)을 제공하는가?
• RQ3 전체 분류를 위한 상위 모델들이 달성한 매크로 및 마이크로 평균 AUC 값은 무엇인가?

주요 결과

• 모든 딥러닝 모델이 피부과 의사보다 최소 11% 포인트 우수했다.
• Melanoma ROC AUC: 94.40% with ResNet152; Basal cell carcinoma ROC AUC: 99.30% with DenseNet201.
• Dermatologists' ROC AUC: 82.26% for melanoma and 88.82% for basal cell carcinoma.
• DenseNet201 achieved the highest macro- and micro-averaged AUC for overall classification (98.16% and 98.79%, respectively).