[논문 리뷰] Lesion Analysis and Diagnosis with Mask-RCNN

А. П. Сорокин|arXiv (Cornell University)|2018. 07. 10.

Advanced Neural Network Applications참고 문헌 4인용 수 11

한 줄 요약

이 논문은 ISIC 2018 챌린지에서 피부 병변 분석을 위한 하이브리드 Mask R-CNN 접근법을 제안하며, 병변 경계 분할과 특성 검출을 통합하여 진단 정확도를 향상시킨다. 예측된 마스크와 투표 기반 메커니즘을 사용하여 병변 분류에 대해 훈련 세트에서 0.8420의 정확도를 달성하지만, 해상도와 중첩 클래스 문제로 인해 특성 검출 성능은 여전히 낮다.

ABSTRACT

This project applies Mask R-CNN method to ISIC 2018 challenge tasks: lesion boundary segmentation (task1), lesion attributes detection (task 2), lesion diagnosis (task 3), a solution to the latter is using a trained model for task 1 and a simple voting procedure.

연구 동기 및 목표

• ISIC 2018 챌린지 과제인 병변 경계 분할, 특성 검출, 질병 분류를 해결하기 위해.
• 분할 및 특성 검출 모델의 결과를 통합하여 병변 진단 정확도를 향상시키기 위해.
• 다양한 병변 복잡성과 특성의 중첩 여부를 고려한 피부 내시경 영상에서 Mask R-CNN의 성능을 평가하기 위해.
• 입력 해상도와 모델 아키텍처가 미세한 특성 인식에 미치는 영향을 조사하기 위해.
• 제안된 하이브리드 진단 방법의 성능을 훈련 세트와 독립된 검증 세트에서 모두 검증하기 위해.

제안 방법

• 모든 과제에 대해 사전 훈련된 Mask R-CNN 모델(ResNet-50 백본)을 사용하고, ISIC 2018 데이터에 맞게 미세조정하였다.
• 정확도 향상을 위해 반전, 회전, 밝기 스케일링, 가우시안 블러 등의 데이터 증강 기법을 적용하였다.
• 과제 3(진단)의 경우, 마스크 영역 기반의 투표 전략을 사용하여 병변 경계 및 클래스 마스크 검출기의 예측을 통합하였다.
• 600×450 입력 해상도와 7개의 출력 클래스를 사용하여 병변 마스크에 질병 분류 레이블을 부여한 별도의 Mask R-CNN 모델을 훈련시켰다.
• 분할 및 특성 검출의 주요 평가 지표로 Jaccard 지수를 사용하였고, 진단의 경우 정규화된 다중 클래스 정확도를 계산하였다.
• 수렴성과 성능 향상을 위해 COCO 사전 훈련된 가중치를 초기 가중치로 사용하여 전이 학습을 수행하였다.

실험 결과

연구 질문

• RQ1 Mask R-CNN는 ISIC 2018 데이터셋에서 피부 병변 경계를 효과적으로 분할하고 피부내시경 특성을 검출할 수 있는가?
• RQ2 특히 작은 또는 중첩된 특징을 가진 병변 특성에 대해 Mask R-CNN의 성능는 어떻게 변하는가?
• RQ3 병변 경계 분할과 특성 검출을 통합하면 직접 분류보다 최종 질병 분류 정확도가 향상되는가?
• RQ4 입력 해상도와 마스크 크기(56×56)가 미세한 피부내시경 특성 검출에 어떤 영향을 미치는가?
• RQ5 데이터 증강과 전이 학습에도 불구하고, 글로불과 밀리아 유사 낭종과 같은 특정 특성에서 성능이 열악한 이유는 무엇인가?

주요 결과

• 병변 경계 분할 모델은 테스트 세트에서 Jaccard 점수 0.7902, 검증 데이터에서 0.789를 기록하였다.
• 특성 검출 성능은 낮았으며, 평균 Jaccard 점수는 0.2800이었고, 가장 성능이 뛰어난 특성(색소 네트워크)도 0.3725에 그쳤다.
• 하이브리드 진단 모델은 훈련 세트에서 84.20%의 정확도를 달성했으며, NV(92.48%)에서 가장 높고, AKIEC(46.15%)에서 가장 낮았으며, MEL로의 잘못된 분류가 뚜렷했다.
• 진단에 대한 검증 점수는 74.4%였으며, 이는 새로운 데이터에서 성능 저하를 의미하여 과적합 또는 도메인 이동 가능성을 시사했다.
• 시각적 분석 결과, 중첩된 특성과 고정된 56×56 마스크 해상도가 글로불과 같은 작은 또는 복잡한 특성 검출 능력을 제한했다.
• 검증 시스템은 내부 테스트 점수(0.2800)보다 높은 점수(0.409)를 기록하여 평가 방식 또는 데이터 분포의 불일치 가능성을 시사했다.