[논문 리뷰] LesionSeg: Semantic segmentation of skin lesions using Deep Convolutional Neural Network

Dhanesh Ramachandram, Terrance DeVries|arXiv (Cornell University)|2017. 03. 09.

Cutaneous Melanoma Detection and Management인용 수 6

한 줄 요약

LesionSeg는 피부 병변의 도구적 영상에서 의미적 분할을 위한 완전 컨volution 신경망을 제안한다. 이는 아트로스 컨볼루션, 1×1 네트워크 인 네트워크 레이어, 그리고 서브픽셀 업샘플링을 포함한다. 작은 데이터셋에서 끝에서 끝까지 미리 훈련하지 않은 상태에서 훈련되었으며, ISIC 2017 검증 세트에서 0.642 IOU 점수를 기록하여 피부 톤, 조명, 잡음 등의 어려운 실제 세계적 변동성에 대해 강건한 성능을 보였다.

ABSTRACT

We present a method for skin lesion segmentation for the ISIC 2017 Skin Lesion Segmentation Challenge. Our approach is based on a Fully Convolutional Network architecture which is trained end to end, from scratch, on a limited dataset. Our semantic segmentation architecture utilizes several recent innovations in particularly in the combined use of (i) use of atrous convolutions to increase the effective field of view of the network's receptive field without increasing the number of parameters, (ii) the use of network-in-network $1\ imes1$ convolution layers to add capacity to the network and (iii) state-of-art super-resolution upsampling of predictions using subpixel CNN layers. We reported a mean IOU score of 0.642 on the validation set provided by the organisers.

연구 동기 및 목표

• 도구적 영상에서 피부 병변의 의미적 분할을 위한 강건하고 종단 간(end-to-end) 딥 러닝 방법을 개발하는 것.
• 변동하는 피부 톤, 불균일한 조명, 모발 차폐, 낮은 병변-배경 대비성 등의 과제를 해결하는 것.
• 수작업으로 만든 전처리 및 후처리 파이프라인에 의존하는 것을 제거하고, 데이터에서 직접 특징을 학습하는 것.
• 구조적 혁신을 통해 소규모 데이터셋을 사용하여 높은 분할 정확도를 달성하는 것.
• 표준 업샘플링 방식 대신 서브픽셀 컨볼루션 레이어를 사용하여 예측 해상도를 향상시키는 것.

제안 방법

• 네트워크는 2D 컨볼루션, 배치 정규화, ReLU 활성화 함수를 사용하는 완전 컨볼루션 아키텍처를 사용한다.
• 최종 블록에서 비율 2의 아트로스(dilated) 컨볼루션을 적용하여 파rameter 수를 늘리지 않고도 수용장역을 확장한다.
• 파라미터 수를 늘리지 않고도 네트워크 용량과 모델 복잡도를 증가시키기 위해 1×1 컨볼루션 레이어를 삽입한다.
• 서브픽셀 컨볼루션 레이어를 사용하여 슈퍼해상도 업샘플링을 수행하고, 이는 이중선형 보간 대체로 공간 정밀도를 향상시킨다.
• 데이터 증강에는 랜덤 90도 회전과 플립이 포함되며, 훈련 중에는 이미지별 표준화가 수행된다.
• 모델은 Adam 최적화를 사용하고, 픽셀 단위의 교차 엔트로피 손실 함수와 IOU 기반 조기 정지 전략을 사용하여 훈련된다.

실험 결과

연구 질문

• RQ1 끝에서 끝까지 미리 훈련하지 않은 완전 컨볼루션 네트워크가 제한된 훈련 데이터로도 높은 성능을 내는가?
• RQ2 모델 복잡도를 증가시키지 않고도 아트로스 컨볼루션은 병변 분할을 위한 맥락 정보를 효과적으로 포착하는가?
• RQ3 표준 보간 방식 대비 서브픽셀 컨볼루션 레이어를 사용한 업샘플링이 분할 정확도를 향상시키는가?
• RQ4 1×1 컨볼루션 레이어는 경량 분할 네트워크에서 특징 표현을 얼마나 향상시키는가?
• RQ5 모델은 모발과 마커와 같은 어려운 촬영 조건과 다양한 이미지 해상도에 얼마나 잘 일반화되는가?

주요 결과

• 모델은 ISIC 2017 검증 세트에서 평균 교차율(IOU) 점수 0.642를 기록했다.
• 아트로스 컨볼루션의 사용은 파rameter 수를 늘리지 않고도 수용장역을 효과적으로 확장하고 맥락 모델링을 향상시켰다.
• 이중선형 보간 대비 서브픽셀 컨볼루션 레이어가 더 우수한 슈퍼해상도 결과를 도출하여 공간 정확도를 향상시켰다.
• 1×1 컨볼루션의 통합은 계산 비용을 늘리지 않고도 네트워크 용량을 증가시키고 특징 표현을 향상시켰다.
• 랜덤 회전과 플립을 통한 데이터 증강은 일반화 능력과 방향 변화에 대한 강건성을 향상시켰다.
• 형태학적 열림과 이중보간을 통한 후처리로 인해 불필요한 분할 오류가 감소하여 마스크 품질이 향상되었다.