[논문 리뷰] New pyramidal hybrid textural and deep features based automatic skin cancer classification model: Ensemble DarkNet and textural feature extractor

Mehmet Bayğın, Türker Tuncer외 1명|arXiv (Cornell University)|2022. 03. 28.

Cutaneous Melanoma Detection and Management인용 수 9

한 줄 요약

이 논문은 딥러닝(Ensemble DarkNet19 및 DarkNet53)과 수작업으로 구성한 문맥적 특징(DWT, LPQ, LBP)을 융합한 새로운 피라미드형 하이브리드 특징 융합 모델을 제안한다. 피부암 분류에 활용한다. 이웃성 컴ponent 분석(NCA)을 통해 상위 1000개의 특징을 선택한 결과, 90:10 학습-테스트 분할에서 95.74%의 정확도를 달성하여 피부과 진단 지원에 있어 뛰어난 성능을 보였다.

ABSTRACT

Background: Skin cancer is one of the widely seen cancer worldwide and automatic classification of skin cancer can be benefited dermatology clinics for an accurate diagnosis. Hence, a machine learning-based automatic skin cancer detection model must be developed. Material and Method: This research interests to overcome automatic skin cancer detection problem. A colored skin cancer image dataset is used. This dataset contains 3297 images with two classes. An automatic multilevel textural and deep features-based model is presented. Multilevel fuse feature generation using discrete wavelet transform (DWT), local phase quantization (LPQ), local binary pattern (LBP), pre-trained DarkNet19, and DarkNet53 are utilized to generate features of the skin cancer images, top 1000 features are selected threshold value-based neighborhood component analysis (NCA). The chosen top 1000 features are classified using the 10-fold cross-validation technique. Results: To obtain results, ten-fold cross-validation is used and 91.54% classification accuracy results are obtained by using the recommended pyramidal hybrid feature generator and NCA selector-based model. Further, various training and testing separation ratios (90:10, 80:20, 70:30, 60:40, 50:50) are used and the maximum classification rate is calculated as 95.74% using the 90:10 separation ratio. Conclusions: The findings and accuracies calculated are denoted that this model can be used in dermatology and pathology clinics to simplify the skin cancer detection process and help physicians.

연구 동기 및 목표

• 피부과 클리닉에서 정확하고 자동화된 피부암 진단의 증가하는 수요를 해결하기 위해.
• 피부 병변 영상에서 다수준의 딥러닝 및 문맥적 특징을 융합하여 분류 성능을 향상시키기 위해.
• 최적의 특징 조합 식별을 위해 이웃성 컴포onent 분석(NCA)을 활용한 강건한 특징 선택 방법을 개발하기 위해.
• 일반화 능력을 보장하기 위해 다양한 학습-테스트 데이터 분할 전략에 대해 모델 성능을 평가하기 위해.
• 병리학자와 피부과 전문의가 초기 피부암 진단을 지원할 수 있는 임상적으로 실현 가능한 도구를 제공하기 위해.

제안 방법

• 모델은 계층적 표현 학습을 위해 사전 훈련된 DarkNet19 및 DarkNet53 네트워크에서 얻은 딥러닝 특징을 통합한다.
• 다양한 척도에서 이산 웨이블릿 변환(DWT), 국소 위상 양자화(LPQ), 국소 이진 패턴(LBP)을 사용해 문맥적 특징을 추출한다.
• 피라미드형 융합 전략을 통해 이러한 다수준 특징을 통합된 표현으로 조합하여 분류 능력을 향상시킨다.
• 클래스 간 분리 능력에 기반해 가장 정보가 많은 상위 1000개의 특징을 선택하기 위해 이웃성 컴포넌트 분석(NCA)을 적용한다.
• 모델 평가 및 하이퍼파ram터 튜닝을 위해 10겹 교차검증 전략을 사용한다.
• 일관된 성능 평가를 위해 다양한 학습-테스트 비율(90:10, 80:20 등)에 대해 성능을 추가로 검증한다.

실험 결과

연구 질문

• RQ1 딥러닝과 수작업으로 구성한 문맥적 특징의 하이브리드 융합이 피부암 분류 정확도를 향상시킬 수 있는가?
• RQ2 고차원 특징 공간에서 가장 분류에 유용한 특징을 선택하는 데 있어 이웃성 컴포넌트 분석(NCA)의 효과는 어떠한가?
• RQ3 피부 병변 분류에서 분류 성능을 최대화하기 위해 최적의 학습-테스트 데이터 분할 비율은 무엇인가?
• RQ4 제안된 피라미드형 특징 융합 전략은 단일 모odal 또는 비융합 특징 접근 방식보다 뛰어난 성능을 보일 수 있는가?
• RQ5 실제 임상 환경에서의 다양한 데이터 분할 전략에 대해 모델이 잘 일반화되는가?

주요 결과

• 제안된 모델은 전체 데이터셋에 대해 10겹 교차검증을 통해 91.54%의 분류 정확도를 달성했다.
• 90:10 학습-테스트 데이터 분할에서 가장 높은 분류 정확도 95.74%를 기록하여 강력한 일반화 능력을 보였다.
• NCA 기반의 특징 선택은 차원 축소를 효과적으로 수행하면서도 클래스 간 분류 정보를 유지했다.
• 다수준의 딥러닝 및 문맥적 특징 융합은 단일 특징 접근 방식에 비해 모델 성능을 크게 향상시켰다.
• 다양한 데이터 분할 전략에 대해 일관되게 높은 정확도를 유지하여 임상 적용 가능성에 기여했다.
• 사전 훈련된 DarkNet 특징과 수작업으로 구성한 텍스처 기반 기술의 융합은 진단 신뢰도를 향상시킨다는 점에서 유의미한 결과를 도출했다.