[논문 리뷰] II-FCN for skin lesion analysis towards melanoma detection

Hongdiao Wen|arXiv (Cornell University)|2017. 02. 28.

Cutaneous Melanoma Detection and Management참고 문헌 8인용 수 17

한 줄 요약

이 논문은 이점성 인셉션 블록을 갖춘 대칭적 풀 컨볼루션 네트워크인 II-FCN을 제안한다. 이는 피부병변 영상에서 피g모아 분할을 위해 사용되며, 확장 컨볼루션, 조건부 랜덤 필드(CRF), 그리고 손실 정규화를 통한 새로운 근사 자카르 지수 손실을 통합하여 경계 정확도와 일반화 능력을 향상시킨다. 이로 인해 과적합 없이 ISBI 2017 데이터셋에서 자카르 지수 0.82를 달성한다.

ABSTRACT

Dermoscopy image detection stays a tough task due to the weak distinguishable property of the object.Although the deep convolution neural network signifigantly boosted the performance on prevelance computer vision tasks in recent years,there remains a room to explore more robust and precise models to the problem of low contrast image segmentation.Towards the challenge of Lesion Segmentation in ISBI 2017,we built a symmetrical identity inception fully convolution network which is based on only 10 reversible inception blocks,every block composed of four convolution branches with combination of different layer depth and kernel size to extract sundry semantic features.Then we proposed an approximate loss function for jaccard index metrics to train our model.To overcome the drawbacks of traditional convolution,we adopted the dilation convolution and conditional random field method to rectify our segmentation.We also introduced multiple ways to prevent the problem of overfitting.The experimental results shows that our model achived jaccard index of 0.82 and kept learning from epoch to epoch.

연구 동기 및 목표

• 피부병변 영상에서 저대비도, 잘 구분되지 않는 피부병변에 대한 피그모아 검출 과제를 해결하기 위해.
• 제한된 훈련 데이터에도 불구하고 잘 일반화되는 경량이고 견고한 풀 컨볼루션 네트워크를 개발하기 위해.
• 확장 컨볼루션과 CRF와 같은 고급 구성 요소를 통합하여 경계 정밀도 향상을 위해 분할 정확도를 향상시키기 위해.
• 동적 데이터 증강과 손실 정규화를 통해 딥 네트워크의 과적합을 완화하기 위해.
• 평가 지표와 직접 일치하는 엔드 투 엔드 훈련을 가능하게 하는 가분한 근사 자카르 지수 손실을 제안하기 위해.

제안 방법

• 다양한 커널 크기와 깊이를 가진 네 개의 컨볼루션 브랜치로 구성된 대칭적 인셉션 블록을 제안하여, 제로 패딩 없이도 특징 통합을 가능하게 한다.
• 역행 가능한 아키텍처를 사용하여 역전치 컨볼루션을 활용해 파rameter 수를 줄이고 대칭적 인코더-디코더 설계를 실현한다.
• 객체 비율에 따라 전경 및 배경 픽셀의 가중치를 재조정하여 클래스 불균형을 보완하는 정규화된 손실 함수를 도입한다.
• 로그함수 근사를 사용하여 자카르 지수 손실을 근사화하고, 평가 지표를 직접 최적화할 수 있도록 하는 가분한 손실 함수를 설계한다.
• 최종 레이어에서 확장 컨볼루션을 적용하여 수신장역할을 확장하고 분할 시 '블랙홀' 현상을 제거한다.
• 경계 정밀도 향상과 소규모 잡음 세그먼트 억제를 위해 CRF를 후처리 단계로 적용한다.

실험 결과

연구 질문

• RQ1 이점성, 경량 풀 컨볼루션 네트워크에 이점성 인셉션 블록을 적용하면 표준 FCN 아키텍처보다 피부병변 분할 성능에서 뛰어난가?
• RQ2 동적 데이터 증강과 손실 정규화를 조합하면 모델의 일반화 능력 향상과 과적합 감소에 기여하는가?
• RQ3 근사 자카르 지수 손실이 평가 지표와의 훈련 일치도를 얼마나 향상시키는가?
• RQ4 확장 컨볼루션과 CRF의 통합은 경계 정밀도 향상과 가짜 양성 결과 감소에 얼마나 효과적인가?
• RQ5 전이 학습 없이 데이터 증강과 손실 엔지니어링만으로도 초기화된 모델이 높은 성능을 달성할 수 있는가?

주요 결과

• II-FCN 모델은 ISBI 2017 피부병변 분할 벤치마크에서 자카르 지수 0.82를 달성했다.
• 에포크 수에 걸쳐 일관된 학습 진전을 유지하여 효과적인 학습과 일반화 능력을 보였다.
• CRF 후처리 단계는 기준선 자카르 지수를 평균 0.005 향상시켰다.
• 동적 데이터 증강과 손실 정규화의 조합은 훈련 데이터와 테스트 데이터 분포 간 격리 정도를 감소시켰다.
• 아키텍처적 및 훈련 기법 혁신 덕분에 제한된 데이터로 초기화된 상태에서도 과적합에 강건함을 입증했다.
• 근사 자카르 지수 손실은 주요 평가 지표 향상을 효과적으로 최적화할 수 있었으며, 최종 성능와 강력한 일치도를 보였다.