[논문 리뷰] Lesion Net -- Skin Lesion Segmentation Using Coordinate Convolution and Deep Residual Units

Sabari Nathan, Priya Kansal|arXiv (Cornell University)|2020. 12. 28.

Cutaneous Melanoma Detection and Management참고 문헌 27인용 수 5

한 줄 요약

Lesion Net는 좌표 합성곱층을 사용하여 번역 불변성을 향상시키고 잔차 단위를 활용해 더 깊은 네트워크 학습을 가능하게 하는 딥 러닝 프레임워크를 제안한다. 교차 엔트로피 손실과 딱지 손실을 결합함으로써 ISIC 2018, 2017, 2016 및 PH2 데이터셋에서 최신 기술 수준의 성능을 달성하여 기존 방법보다 우수하거나 동등한 분할 정확도를 보였다.

ABSTRACT

Skin lesions segmentation is an important step in the process of automated diagnosis of the skin melanoma. However, the accuracy of segmenting melanomas skin lesions is quite a challenging task due to less data for training, irregular shapes, unclear boundaries, and different skin colors. Our proposed approach helps in improving the accuracy of skin lesion segmentation. Firstly, we have introduced the coordinate convolutional layer before passing the input image into the encoder. This layer helps the network to decide on the features related to translation invariance which further improves the generalization capacity of the model. Secondly, we have leveraged the properties of deep residual units along with the convolutional layers. At last, instead of using only cross-entropy or Dice-loss, we have combined the two-loss functions to optimize the training metrics which helps in converging the loss more quickly and smoothly. After training and validating the proposed model on ISIC 2018 (60% as train set + 20% as validation set), we tested the robustness of our trained model on various other datasets like ISIC 2018 (20% as test-set) ISIC 2017, 2016 and PH2 dataset. The results show that the proposed model either outperform or at par with the existing skin lesion segmentation methods.

연구 동기 및 목표

• 비정상적인 형태, 명확하지 않은 경계선, 제한된 학습 데이터 등에 대응하여 피부 병변 분할 정확도를 향상시키기 위해.
• 공간적 위치 정보를 인코딩하는 좌표 합성곱층을 통합하여 모델의 일반화 능력을 향상시키기 위해.
• 교차 엔트로피 손실과 딱지 손실을 조합한 함수를 통해 학습의 안정성과 속도를 향상시키기 위해.
• ISIC 2016, 2017, 2018 및 PH2를 포함한 여러 기준 데이터셋에서의 견고성 평가를 위해.
• 다양한 피부 유형과 병변 외관에 잘 적응하는 분할 모델을 개발하기 위해.

제안 방법

• 에코더 이전에 좌표 합성곱층을 도입하여 공간적 위치 정보를 주입함으로써 번역 불변성과 특징 학습 능력을 향상시킨다.
• 깊이 있는 네트워크 학습을 가능하게 하고 기울기 소실 문제를 완화하기 위해 깊은 잔차 단위를 활용한다.
• 전경 및 배경 클래스 예측을 균형 있게 하기 위해 교차 엔트로피 손실과 딱지 손실을 조합한 다중 손실 최적화 전략을 사용한다.
• 학습에는 ISIC 2018의 60%를, 검증에는 20%를 사용하고, 테스트는 보류된 ISIC 2018(20%), ISIC 2017, ISIC 2016 및 PH2 데이터셋에서 수행한다.
• 일반화 능력을 향상시키기 위해 표준 데이터 증강 및 정규화 기법을 적용한다.
• 스킵 연결을 갖춘 인코더-디코더 아키텍처를 활용하여 정밀한 분할을 위해 공간적 세부 정보를 유지한다.

실험 결과

연구 질문

• RQ1 좌표 합성곱은 비정상적인 형태와 명확하지 않은 경계선을 가진 피부 병변의 분할 성능 향상에 기여하는가?
• RQ2 잔차 단위의 통합은 피부 병변 분할에서 학습 안정성과 모델 정확도 향상에 기여하는가?
• RQ3 교차 엔트로피 손실과 딱지 손실을 조합한 함수는 수렴 속도와 분할 품질에 어떤 영향을 미치는가?
• RQ4 제안된 모델은 다양한 촬영 조건과 피부 유형을 가진 여러 공개 피부 병변 데이터셋에 일반화 가능한가?
• RQ5 ISIC 2018, 2017, 2016 및 PH2와 같은 기준 데이터셋에서 기존 최신 기술 수준의 방법보다 우수한 성능을 보이는가?

주요 결과

• 제안된 Lesion Net는 ISIC 2018 테스트 세트(20% 분할)에서 뛰어난 또는 경쟁 가능한 성능을 달성하여 강력한 일반화 능력을 입증했다.
• ISIC 2017 및 ISIC 2016 데이터셋에서 분할 정확도 측면에서 기존 방법을 초월했다.
• PH2 데이터셋에서는 경쟁 가능한 결과를 달성하여 다양한 촬영 프로토콜과 피부 유형에 대한 견고성을 보였다.
• 좌표 합성곱과 잔차 단위의 조합은 향상된 특징 학습과 모델의 일반화 능력을 향상시켰다.
• 이중 손실 함수(교차 엔트로피 + 딱지)는 학습 중 더 빠르고 부드러운 수렴을 가능케 했다.
• 모델는 다양한 데이터셋에서 일관된 성능을 보이며 병변 외관과 피부 색소의 변동에 대한 견고성을 확인했다.