[논문 리뷰] k-Means Clustering and Ensemble of Regressions: An Algorithm for the ISIC 2017 Skin Lesion Segmentation Challenge

David Álvarez, Mónica Iglesias|arXiv (Cornell University)|2017. 02. 23.

Cutaneous Melanoma Detection and Management참고 문헌 2인용 수 15

한 줄 요약

이 논문은 피부 병변 영상에서의 분할을 위해 k-means 군집화와 앙상블 회귀 방법을 제안하며, 전문의가 작성한 참값과 높은 재현율을 달성한다. 이 방법은 반사, 모발, 색상 편향을 제거하기 위해 영상 전처리를 수행하고, 반복적인 k-means 군집화를 통해 분할을 수행하며, 10개의 영역 특징을 추출하고, 랜덤 포레스트와 에psilon-SVR 모델의 가중 평균을 적용하여 병변 확률을 예측하며, 후처리를 통해 마스크 정확도를 향상시킨다.

ABSTRACT

This abstract briefly describes a segmentation algorithm developed for the ISIC 2017 Skin Lesion Detection Competition hosted at [ref]. The objective of the competition is to perform a segmentation (in the form of a binary mask image) of skin lesions in dermoscopic images as close as possible to a segmentation performed by trained clinicians, which is taken as ground truth. This project only takes part in the segmentation phase of the challenge. The other phases of the competition (feature extraction and lesion identification) are not considered. The proposed algorithm consists of 4 steps: (1) lesion image preprocessing, (2) image segmentation using k-means clustering of pixel colors, (3) calculation of a set of features describing the properties of each segmented region, and (4) calculation of a final score for each region, representing the likelihood of corresponding to a suitable lesion segmentation. The scores in step (4) are obtained by averaging the results of 2 different regression models using the scores of each region as input. Before using the algorithm these regression models must be trained using the training set of images and ground truth masks provided by the Competition. Steps 2 to 4 are repeated with an increasing number of clusters (and therefore the image is segmented into more regions) until there is no further improvement of the calculated scores.

연구 동기 및 목표

• 전문의가 작성한 참값과 유사한 자동 분할 알고리즘을 개발하기 위해.
• 반사, 모발, 색상 변동성 등의 과제를 타겟팅한 전처리를 통해 피부 병변 영상의 문제를 해결하기 위해.
• 다양한 모델을 조합한 k-means 군집화와 회귀 기반 영역 점수화를 통해 분할 정확도를 향상시키기 위해.
• 분할 성능을 최대화하기 위해 군집 수를 동적으로 최적화하기 위해.
• 결함 보완 및 가장자리 부드럽게 하는 형태학적 후처리를 통해 최종 마스크 품질을 향상시키기 위해.

제안 방법

• 이미지는 약간의 팯딩을 사용하여 약 1024×1024 픽셀로 크기 조정되고, 이 과정에서 종횡비를 유지한다. 그 후, 반사 제거를 위해 밝기 임계값(99번째 백분위수의 98번째 백분위수)을 사용한다.
• 모발 제거를 위해 5픽셀 반지름의 디스크를 사용한 형태학적 닫힘 연산을 수행한 후, 각 색상 채널에 대해 3×3 중앙값 필터링을 적용한다.
• grayscale 세계 가정을 사용하여 화이트 밸런스를 적용하며, 빨간색 및 파란색 채널을 상대 강도 비율에 따라 조정하여 색상 분포를 균형 잡는다.
• 반복적인 k-means 군집화를 수행하며, 초기 군집 수는 3개로 시작하여 더 이상 영역 점수 향상이 없을 때까지 군집 수를 증가시킨다.
• 각 군집에 대해 10개의 특징을 추출한다: 영역 면적(히스토GRAM 기반 빈도), 위치(이미지 중심에 정렬된 2차원 가우시안), 원형도, 밀도, 평균 색상(가우시안 기반 유사도), 중심 색상 유사도(이미지 중심과의 가우시안 기반 비교).
• 각 영역의 최종 점수는 두 개의 회귀 모델 예측 평균으로 계산된다: 50개의 트리를 가진 랜덤 포레스트와 C=100, γ=0.5, ε=0.2로 설정된 에psilon-SVR 모델이며, 둘 다 훈련 세트의 특징 벡터와 해당 Jaccard 지수를 기반으로 훈련된다.

실험 결과

연구 질문

• RQ1 반복적인 군집 수 조정을 통한 k-means 군집화가 피부 병변 영상에서의 분할 정확도 향상에 기여하는가?
• RQ2 면적, 위치, 원형도, 색상 유사도 등의 수작업 특징이 분할 품질 예측에 얼마나 효과적인가?
• RQ3 랜덤 포레스트와 SVR 등의 여러 회귀 모델을 융합하면 단일 모델보다 더 나은 Jaccard 지수 예측을 가능하게 하는가?
• RQ4 반사 및 모발 제거 등의 전처리 단계가 분할 성능 향상에 얼마나 기여하는가?
• RQ5 병변 가장자리의 과소 평가를 보완하기 위해 최적의 후처리 전략은 무엇인가?

주요 결과

• 알고리즘은 더 이상 점수 향상이 없을 때까지 군집 수를 동적으로 증가시킴으로써 분할 성능 향상을 달성했다.
• 공간, 형태, 색상 기반 특징을 포함한 10개 특징 표현을 사용함으로써 효과적인 영역 점수화가 가능했다.
• 랜덤 포레스트와 에psilon-SVR 모델의 앙상블은 선형 회귀나 k-최근접 이웃과 같은 다른 회귀 모델보다 검증 세트에서 더 높은 성능을 보였다.
• 형태학적 닫힘(반지름 30)과 팽창(반지름 14)을 적용한 후처리로 인해, 참값과 비교했을 때 병변 가장자리 과소 평가가 크게 감소했다.
• 결함 메우기 및 가장자리 부드럽게 하는 조치 이후, 최종 분할 마스크의 부드러움과 완전성이 향상되었다.
• 회귀 모델의 훈련 데이터는 영역에 대한 단순 점수(특징의 합)를 할당하고 실제 Jaccard 지수와 쌍으로 짓는 방식으로 합성되었으며, 이는 효과적인 모델 학습을 가능하게 하였다.