[논문 리뷰] Dermoscopic Image Analysis for ISIC Challenge 2018

Jinyi Zou, Xiao Ma외 2명|arXiv (Cornell University)|2018. 07. 24.

Cutaneous Melanoma Detection and Management참고 문헌 1인용 수 13

한 줄 요약

이 논문은 ISIC 2018 챌린지에서 피부병변 영상 분석을 위한 다중 작업 딥 러닝 접근법을 제시한다. 병변 분할과 특징 검출에 수정된 PSPNet을, 다중 클래스 피부질환 분류에 DenseNet-169을 사용한다. 데이터 증강 및 계층적 학습을 통해 병변 분할의 Jaccard 지수는 검증 세트에서 0.780을 기록했고, 질병 분류의 균형 임계값은 0.751을 달성했다.

ABSTRACT

This short paper reports the algorithms we used and the evaluation performances for ISIC Challenge 2018. Our team participates in all the tasks in this challenge. In lesion segmentation task, the pyramid scene parsing network (PSPNet) is modified to segment the lesions. In lesion attribute detection task, the modified PSPNet is also adopted in a multi-label way. In disease classification task, the DenseNet-169 is adopted for multi-class classification.

연구 동기 및 목표

• ISIC 2018 챌린지에서 다중 작업 피부병변 영상 분석을 위한 자동화된 딥 러닝 모델 개발.
• 다중 척도의 문맥적 특징과 스킵 연결을 활용한 수정된 PSPNet을 통해 병변 분할 정확도 향상.
• 다중 레이블 적응 기반의 PSPNet을 활용해 피부병변 특징(예: 색소 네트워크, 줄무늬)을 동시에 고정밀도로 검출 가능하게 함.
• 질병 분류에서 심한 클래스 불균형 문제를 해결하기 위해 계층적 분류 및 데이터 증강 기법을 적용.
• 병변 분할, 특징 검출, 다중 클래스 질병 분류의 세 가지 ISIC 2018 과제에서 최신 기술 수준의 성능 확보.

제안 방법

• 다양한 레이어의 특징를 결합하는 스킵 연결 기반의 수정된 PSPNet을 사용하여 세분화된 질감 표현 향상. ResNet을 백본으로 사용.
• 다중 척도 피라미드 풀링과 스킵 연결을 통해 다양한 수신 영역에서의 문맥 정보를 통합.
• 분할 마스크의 정밀도를 높이고 가장 큰 연결 성분만 유지하기 위해 후처리 단계로 조건부 랜덤 필드(CRF) 및 워터셰드 알고리즘 적용.
• 각 특징 마스크에 대해 학습한 수정된 PSPNet을 다중 레이블 병변 특징 검출에 적응하여, 분할된 병변 영역 내에서만 예측을 제한.
• 질병 분류에 대해 DenseNet-169을 백본으로 사용하며, 데이터 증강 기법으로 수평/수직 뒤집기 및 크기 변형(0.8–1.2) 적용.
• 클래스 불균형 문제를 해결하기 위해 두 가지 전략 구현: 계층적 분류(3단계 구조) 및 클래스 균형 잡힌 데이터 증강(클래스당 20,000개 샘플).

실험 결과

연구 질문

• RQ1 제한된 훈련 데이터로 피부병변 영상에서 강건한 병변 분할을 달성할 수 있는 딥 러닝 모델은 어떻게 설계할 수 있는가?
• RQ2 PSPNet의 다중 레이블 적응 기반으로 다수의 피부병변 특징을 동시에 고정밀도로 효과적으로 검출할 수 있는가?
• RQ3 다중 클래스 피부질환 분류에서 심한 클래스 불균형 문제를 다루는 데 가장 효과적인 전략은 무엇인가?
• RQ4 희귀 피부암 유형의 균형 임계값 향상에 있어 계층적 분류와 데이터 증강 기법의 성능를 비교하면 어떻게 되는가?
• RQ5 CRF 및 워터셰드와 같은 후처리 기법이 임상 영상 분석에서 분할 품질 향상에 얼마나 기여하는가?

주요 결과

• 수정된 PSPNet은 후처리 없이 검증 세트에서 Jaccard 지수 0.775를 기록했고, 후처리를 적용한 경우 0.780까지 상승하여 CRF 및 워터셰드 필터링의 효과를 입증.
• 병변 특징 검출에서 모델은 검증 성능으로 0.40을 기록했으며, 개별 점수는 음성 네트워크의 0.617에서 밀리아 유사 낭종의 0.779까지 다양.
• DenseNet-169 기반 계층적 분류 접근법은 검증 세트에서 균형 임계값 0.621을 달성.
• 클래스당 20,000개 샘플을 사용한 직접적 데이터 증강 전략은 계층적 방법보다 높은 균형 임계값 0.751을 기록하여 우월한 성능 확보.
• 색상 왜곡은 분할에 미미한 이점만 제공했고, 질병 분류에서는 색상 일관성 유지가 더 유리하여 임상적 의미 유지에 유리.
• 병변 분할 결과를 마스크로 통합하여 특징 검출에 활용함으로써 예측 영역을 병변 영역으로 제한함으로써 국소화 정확도 향상.