[논문 리뷰] Method to Classify Skin Lesions using Dermoscopic images

Charan, Dusa Sai, Nadipineni, Hemanth외 2명|arXiv (Cornell University)|2020. 08. 21.

Cutaneous Melanoma Detection and Management인용 수 28

한 줄 요약

이 논문은 유도적 영상 데이터를 기반으로 한 딥러닝 기반의 자동 피부 병변 분류 방법을 제안하며, 데이터 증강, U-Net 기반 분할, 10겹 교차검증을 통해 정확도를 향상시키기 위해 이중 경로 컨볼루션 신경망(CNN)을 활용한다. 모델은 최고 정확도 0.886을 달성하여 사전처리 및 강력한 훈련 전략이 불균형한 의료 영상 데이터에서 성능 향상에 크게 기여함을 보여준다.

ABSTRACT

Skin cancer is the most common cancer in the existing world constituting one-third of the cancer cases. Benign skin cancers are not fatal, can be cured with proper medication. But it is not the same as the malignant skin cancers. In the case of malignant melanoma, in its peak stage, the maximum life expectancy is less than or equal to 5 years. But, it can be cured if detected in early stages. Though there are numerous clinical procedures, the accuracy of diagnosis falls between 49% to 81% and is time-consuming. So, dermoscopy has been brought into the picture. It helped in increasing the accuracy of diagnosis but could not demolish the error-prone behaviour. A quick and less error-prone solution is needed to diagnose this majorly growing skin cancer. This project deals with the usage of deep learning in skin lesion classification. In this project, an automated model for skin lesion classification using dermoscopic images has been developed with CNN(Convolution Neural Networks) as a training model. Convolution neural networks are known for capturing features of an image. So, they are preferred in analyzing medical images to find the characteristics that drive the model towards success. Techniques like data augmentation for tackling class imbalance, segmentation for focusing on the region of interest and 10-fold cross-validation to make the model robust have been brought into the picture. This project also includes usage of certain preprocessing techniques like brightening the images using piece-wise linear transformation function, grayscale conversion of the image, resize the image. This project throws a set of valuable insights on how the accuracy of the model hikes with the bringing of new input strategies, preprocessing techniques. The best accuracy this model could achieve is 0.886.

연구 동기 및 목표

• 피부 병변을 유도적 영상에서 자동으로 정확하고 견고한 딥러닝 모델로 분류하기 위한 모델 개발.
• 수동 임상 평가를 대체하여 피부암 진단 시 인간의 실수와 시간 소모를 줄이기 위한 목표.
• 애핀 변환과 같은 데이터 증강 기법을 활용해 피부 병변 데이터셋의 클래스 불균형 문제를 해결하기 위한 목표.
• U-Net 기반 영상 분할을 적용하여 병변 영역에 대한 모델 집중도를 향상시키기 위한 목표.
• 10겹 교차검증을 통해 모델의 일반화 능력과 견고성을 향상시키기 위한 목표.

제안 방법

• 이중 경로 CNN 아키텍처를 설계하여 유도적 영상에서 계층적 특징을 추출하며, 한 경로는 원본 영상을 처리하고 다른 경로는 분할된 병변 영역을 처리한다.
• 이미지 사전처리로 회색조 변환, 크기 조정, 조각별 선형 변환을 수행하여 밝기와 일관성을 향상시킨다.
• U-Net 기반의 의미적 분할을 적용하여 배경에서 병변 영역을 분리함으로써 비병변 피부 영역의 간섭을 줄인다.
• 애핀 변환(회전, 스케일링 등)을 활용한 데이터 증강을 적용하여 소수 클래스 샘플 수를 늘리고 일반화 능력을 향상시킨다.
• 모델 성능 평가를 위해 10겹 교차검증을 사용하며, 최종 정확도는 각 폴드 정확도의 평균으로 계산된다: $ Acc = (\sum_{i=1}^{K} Acc_i)/K $.
• 모델는 하이퍼파라미터를 최적화하여 성능을 향상시키기 위해 ISIC 2018 피부 병변 데이터셋을 사용해 훈련 및 검증한다.

실험 결과

연구 질문

• RQ1 딥러닝을 활용한 피부 병변 분류에서 영상 분할의 포함 여부가 정확도에 미치는 영향은 무엇인가?
• RQ2 데이터 증강이 불균형한 피부 병변 데이터셋에서 모델 성능을 얼마나 향상시키는가?
• RQ3 이중 경로 CNN 아키텍처가 유도적 영상 분류에서 단일 경로 CNN 아키텍처보다 어떻게 비교되는가?
• RQ4 10겹 교차검증이 피부 병변 분류에서 모델의 견고성과 일반화 능력을 얼마나 향상시키는가?
• RQ5 밝기 조정 및 이미지 크기 조정과 같은 사전처리 기법이 모델 정확도에 미치는 영향은 무엇인가?

주요 결과

• 완전한 사전처리, 분할, 데이터 증강, 10겹 교차검증을 적용한 모델이 가장 높은 정확도 0.886을 달성했다.
• 분할 기능이 포함된 경우 정확도가 분할 없이 0.583에서 0.886으로 상승하여 병변 영역에 집중함으로써 특징 학습이 향상됨을 시사한다.
• 교차검증과 함께 데이터 증강을 적용한 결과 정확도가 0.583에서 0.886으로 상승하여 클래스 불균형 문제 해결에 있어 데이터 증강의 핵심적 역할을 입증한다.
• 이중 경로 CNN 모델은 단일 경로 모델보다 성능이 뛰어나 정확도가 0.814에서 0.886으로 상승하여 이중 경로 특징 추출이 성능 향상에 기여함을 시사한다.
• 平坦화 레이어의 뉴런 수가 정확도와 선형 상관관계를 가지지 않아 추가 파라미터가 성능 포화점 이후에는 수익 감소를 보임을 나타낸다.
• U-Net 분할 모델은 병변 영역을 효과적으로 분리하여 잡음 감소 및 관련 특징에 대한 모델 집중도 향상을 이끌어냈다.