[논문 리뷰] Improving Dermoscopic Image Segmentation with Enhanced Convolutional-Deconvolutional Networks

Yading Yuan, Yeh‐Chi Lo|arXiv (Cornell University)|2017. 09. 28.

Cutaneous Melanoma Detection and Management참고 문헌 27인용 수 6

한 줄 요약

이 논문은 더 깊은 아키텍처와 더 작은 커널을 사용하며, RGB, HSV, CIELAB 등 다중 색상 공간 입력을 활용하여 분류 능력과 학습 효율성을 향상시킨 개선된 컨volutional-deconvolutional 신경망(CDNN)을 제안한다. 2,000장의 ISBI 2017 챌린지 이미지로 훈련된 모델은 600장의 테스트 세트에서 Jaccard 지수 0.765를 기록하여 대회에서 1등을 차지했다.

ABSTRACT

Automatic skin lesion segmentation on dermoscopic images is an essential step in computer-aided diagnosis of melanoma. However, this task is challenging due to significant variations of lesion appearances across different patients. This challenge is further exacerbated when dealing with a large amount of image data. In this paper, we extended our previous work by developing a deeper network architecture with smaller kernels to enhance its discriminant capacity. In addition, we explicitly included color information from multiple color spaces to facilitate network training and thus to further improve the segmentation performance. We extensively evaluated our method on the ISBI 2017 skin lesion segmentation challenge. By training with the 2000 challenge training images, our method achieved an average Jaccard Index (JA) of 0.765 on the 600 challenge testing images, which ranked itself in the first place in the challenge

연구 동기 및 목표

• 피부 병변의 외관과 영상 잡음의 높은 변동성으로 인해 여전히 도전적인 도르모스코픽 영상에서의 자동 피부 병변 분할을 향상시키기 위해.
• 더 깊은 네트워크와 더 작은 컨볼루션 커널을 사용하여 딥 러닝 모델의 분류 능력을 향상시키기 위해.
• RGB 외에 HSV 및 CIELAB 색상 공간의 색상 특징을 통합하여 학습 효율성과 강건성을 향상시키기 위해.
• 메라노마 검출을 위한 ISBI 2017 피부 병변 분석 챌린지에서 최신 기술 수준의 성능을 달성하기 위해.
• 다른 의료 영상 분할 작업에 적용 가능한 일반화 능력을 갖춘 프레임워크를 개발하기 위해.

제안 방법

• 제안된 모델는 더 깊은 완전 컨볼루션 신경망(FCN) 아키텍처를 사용하며, 더 작은 컨볼루션 커널을 통해 비선형 특징 학습 능력을 높이고 파rameter 수를 줄인다.
• HSV의 세 채널 및 CIELAB의 밝기(L) 채널에서 온 색상 정보를 RGB와 결합하여 보완적인 색채 및 밝기 특징을 제공한다.
• Jaccard 거리 기반의 새로운 손실 함수를 사용하여 엔드 투 엔드로 네트워크를 훈련시키며, 이는 분할 성능을 직접 최적화하고 배경보다 병변 픽셀에 더 중점을 두도록 한다.
• 분할 정확도와 계산 비용의 균형을 맞추기 위해 이중선형 보간을 사용해 이미지를 192×256로 크기 조정한다.
• 다양한 색상 공간에서 각 채널별로 데이터 증강을 적용하여 실제적인 영상 외관을 유지하고 일반화 능력을 향상시킨다.
• 모델는 ISBI 2017 챌린지 데이터셋(2,000장의 훈련, 150장의 검증, 600장의 블라인드 테스트 이미지 포함)에서 평가된다.

실험 결과

연구 질문

• RQ1 높은 외형 변동성을 보이는 도르모스코픽 영상에서 더 깊은 네트워크와 더 작은 커널이 병변 분할 성능을 향상시킬 수 있는가?
• RQ2 RGB 외에 HSV 및 CIELAB 색상 공간의 색상 특징을 통합할 경우, RGB만 사용하는 것보다 학습 효율성과 분할 정확도가 향상되는가?
• RQ3 Jaccard 거리 기반 손실 함수는 병변 영역에 집중함으로써 학습을 개선하고 배경 오분류를 줄여 분할 성능을 향상시킬 수 있는가?
• RQ4 제안된 방법은 ISBI 2017 피부 병변 분할 벤치마크에서 최신 기술 수준의 접근법과 비교해 어떻게 성능을 내는가?
• RQ5 다중 색상 공간 입력은 과적합을 줄이고 의료 영상 분할에서 강건성을 향상시키는 데 어느 정도 기여하는가?

주요 결과

• 제안된 CDNN은 ISBI 2017 챌린지 테스트 세트에서 평균 Jaccard 지수 0.765를 기록하여 21개의 제출 중 1등을 차지했다.
• 더 깊은 아키텍처와 더 작은 커널은 다양한 병변 외형과 영상 조건에서 모델의 분류 능력을 크게 향상시켰다.
• HSV 및 CIELAB 색상 채널을 RGB와 함께 통합함으로써 더 효율적이고 강건한 네트워크 학습이 가능해졌고, 과적합이 감소하고 분할 정확도가 향상되었다.
• Jaccard 거리 기반 손실 함수는 병변 픽셀에 대한 민감도를 높여, 병변 경계 예측의 정확도를 높임으로써 분할 성능 향상에 기여했다.
• 모델는 강력한 일반화 능력을 보였으며, ISBI 2016 및 ISBI 2017 데이터셋 양쪽에서 이전 최신 기술 수준의 방법들을 뛰어넘는 성능을 보였다.
• 강력한 성능에도 불구하고, 경계가 모호하거나 잡음이 많은 복잡한 케이스에서는 분할 실패가 발생하여, 앙상블 모델링이나 고급 후처리 기법을 통해 추가로 향상시킬 여지가 있음을 시사한다.