[논문 리뷰] Monkeypox Skin Lesion Detection Using Deep Learning Models: A Feasibility Study

Shams Nafisa Ali, Md. Tazuddin Ahmed외 5명|arXiv (Cornell University)|2022. 07. 06.

Poxvirus research and outbreaks인용 수 126

한 줄 요약

본 논문은 Monkeypox Skin Lesion Dataset (MSLD)를 도입하고 transfer-learning CNNs (VGG16, ResNet50, InceptionV3)를 이용한 피부 병변으로의 몽키파크 탐지 성능을 평가하며, 3-fold 교차 검증에서 ResNet50이 최적 정확도를 달성한다. 또한 screening을 위한 프로토타입 웹 도구를 제시한다.

ABSTRACT

The recent monkeypox outbreak has become a public health concern due to its rapid spread in more than 40 countries outside Africa. Clinical diagnosis of monkeypox in an early stage is challenging due to its similarity with chickenpox and measles. In cases where the confirmatory Polymerase Chain Reaction (PCR) tests are not readily available, computer-assisted detection of monkeypox lesions could be beneficial for surveillance and rapid identification of suspected cases. Deep learning methods have been found effective in the automated detection of skin lesions, provided that sufficient training examples are available. However, as of now, such datasets are not available for the monkeypox disease. In the current study, we first develop the ``Monkeypox Skin Lesion Dataset (MSLD)" consisting skin lesion images of monkeypox, chickenpox, and measles. The images are mainly collected from websites, news portals, and publicly accessible case reports. Data augmentation is used to increase the sample size, and a 3-fold cross-validation experiment is set up. In the next step, several pre-trained deep learning models, namely, VGG-16, ResNet50, and InceptionV3 are employed to classify monkeypox and other diseases. An ensemble of the three models is also developed. ResNet50 achieves the best overall accuracy of $82.96(\pm4.57\%)$, while VGG16 and the ensemble system achieved accuracies of $81.48(\pm6.87\%)$ and $79.26(\pm1.05\%)$, respectively. A prototype web-application is also developed as an online monkeypox screening tool. While the initial results on this limited dataset are promising, a larger demographically diverse dataset is required to further enhance the generalizability of these models.

연구 동기 및 목표

• Monkeypox, varicella, measles 이미지를 포함하는 오픈 소스 Monkeypox Skin Lesion Dataset (MSLD)을 생성한다.
• monkeypox 대 기타 피부 병변 이진 분류를 위한 transfer-learning CNN의 가능성 평가를 수행한다.
• 세 가지 pretrained 모델(VGG16, ResNet50, InceptionV3)과 앙상블의 정확도 및 일관성 평가를 수행한다.
• 모델을 기반으로 원격 몽키파크 선별을 위한 프로토타입 웹 애플리케이션을 개발한다.

제안 방법

• 원본 이미지 228장과 증강 이미지 3192장을 포함하여 Monkeypox Skin Lesion Dataset (MSLD)를 구성하고 전처리한다.
• 데이터 증강(회전, 평행이동, 반사, 색상조정, 채도, 밝기, 노이즈, 블러, 스케일링)을 적용한다.
• 사전 학습된 CNN(VGG16, ResNet50, InceptionV3)을 하단 8개 층의 동결 해제 및 dropout이 있는 3개의 FC 층을 추가하여 미세 조정한다.
• 224x224x3 입력을 사용하고 3-fold 교차 검증(70/10/20 분할)에서 Adam 옵티마이저(lr=1e-5), 이진 크로스엔트로피 손실로 학습한다.
• 정확도, 정밀도, F1-점수, 민감도를 사용하여 평가하고, 교차 검정에서의 평균 및 표준편차를 보고한다.
• 최고의 모델을 사용자 업로드 병변 분석용으로 프로토타입 웹 앱에 배포한다.

실험 결과

연구 질문

• RQ1 공개된 Monkeypox Skin Lesion Dataset (MSLD)이 피부 병변에서 몽키파크를 머신러닝으로 선별하는 데 사용될 수 있는가?
• RQ2 사전 학습된 CNN(VGG16, ResNet50, InceptionV3)이 transfer learning과 함께 MSLD에서 이진 분류(몽키파크 vs 기타)에 대해 신뢰할 만한 성능을 달성하는가?
• RQ3 세 모델의 앙상블이 fold 간에 더 강건하거나 일관됩니다?
• RQ4 이 모델들을 이용한 원격 예비 평가를 위한 웹 기반 선별 도구의 가능성은 어떠한가?

주요 결과

• ResNet50이 가장 높은 정확도 82.96% (±4.57)를 달성하였다.
• VGG16은 81.48% (±6.87) 정확도를 달성하였다.
• InceptionV3는 74.07% (±3.78) 정확도를 달성하였다.
• 앙상블은 79.26% (±1.05) 정확도를 달성하였으며, folds 간 표준편차가 가장 낮았다.
• 연구는 데이터 세트 크기와 인구통계적 다양성의 한계를 일반화 제약으로 지적한다.
• 온라인 선별을 위한 프로토타입 웹 앱이 개발되었다.