[논문 리뷰] Random Forests and VGG-NET: An Algorithm for the ISIC 2017 Skin Lesion Classification Challenge

Songtao Guo, Yixin Luo외 1명|arXiv (Cornell University)|2017. 03. 15.

Cutaneous Melanoma Detection and Management참고 문헌 2인용 수 4

한 줄 요약

이 논문은 ISIC 2017 챌린지에서 피부 병변을 분류하기 위해 하이브리드 딥 러닝 및 앙상블 기계 학습 접근법을 제안한다. VGG-NET을 사용해 특징을 추출하고, 최종 분류에 Random Forests를 활용한다. 깊이 있는 특징과 강력한 앙상블 학습을 활용하여, 악성흑색종과 양성 병변을 구분하는 것과, 선구성성 각성증과 다른 병변을 구분하는 두 가지 이진 분류 작업에서 뛰어난 성능을 달성하였다.

ABSTRACT

This manuscript briefly describes an algorithm developed for the ISIC 2017 Skin Lesion Classification Competition. In this task, participants are asked to complete two independent binary image classification tasks that involve three unique diagnoses of skin lesions (melanoma, nevus, and seborrheic keratosis). In the first binary classification task, participants are asked to distinguish between (a) melanoma and (b) nevus and seborrheic keratosis. In the second binary classification task, participants are asked to distinguish between (a) seborrheic keratosis and (b) nevus and melanoma. The other phases of the competition are not considered. Our proposed algorithm consists of three steps: preprocessing, classification using VGG-NET and Random Forests, and calculation of a final score.

연구 동기 및 목표

• 피부 내시경 영상에서 정확한 피부 병변 분류 문제를 해결하여 조기 악성흑색종 탐지에 기여한다.
• 악성흑색종, 날개종, 선구성성 각성증의 세 가지 주요 피부 병변 유형을 구분할 수 있는 강력한 알고리즘을 개발한다.
• ISIC 2017 경쟁 대회에서 정의된 두 가지 독립적인 이진 분류 작업을 해결한다: 악성흑색종 대 양성 병변, 선구성성 각성증 대 양성 병변.
• 기존의 앙상블 모델과 깊이 신경망 특징을 융합하여 분류 성능을 향상시킨다.

제안 방법

• 딥 러닝 모델의 입력을 표준화하기 위해 내시경 영상을 사전 처리한다.
• 미리 훈련된 VGG-NET을 사용해 병변 영상에서 고수준의 합성곱 특징을 추출한다.
• 추출된 특징을 기반으로 Random Forest 분류기를 훈련시켜 최종 예측을 수행한다.
• VGG-NET과 Random Forests의 예측을 가중치 기반 스코어링 메커니즘을 통해 융합하여 정확도를 향상시킨다.
• 검증 데이터를 활용해 최종 결정 스코어를 최적화하여 대회 평가 지표에서 성능을 극대화한다.
• 모델 일반화 능력을 향상시키기 위해 사전 처리 단계에서 데이터 증강 및 정규화 기법을 적용한다.

실험 결과

연구 질문

• RQ1 VGG-NET과 Random Forests를 융합한 하이브리드 모델이 병변 분류에서 단독 딥 러닝 또는 전통적인 기계 학습 방법보다 뛰어난 성능을 보일 수 있는가?
• RQ2 VGG-NET에서 추출한 깊이 특징과 Random Forests와 같은 앙상블 모델을 융합할 경우, 악성흑색종과 양성 병변을 효과적으로 구분할 수 있는가?
• RQ3 제안된 방법이 ISIC 2017 챌린지에서 정의된 세 가지 병변 유형에 대해 얼마나 잘 일반화되는가?
• RQ4 트리 기반 앙상블 모델과 깊이 특징을 융합할 경우, 소규모 또는 불균형 데이터셋에서 분류의 안정성과 정확도가 향상되는가?

주요 결과

• 제안된 알고리즘이 ISIC 2017 챌린지의 두 이진 분류 작업에서 뛰어난 성능을 달성하였다.
• VGG-NET 특징과 Random Forest 분류기의 융합이 기준 모델 대비 분류 정확도를 향상시켰다.
• 모델은 악성흑색종과 양성 병변(날개종 및 선구성성 각성증)을 효과적으로 구분하는 데 뛰어난 정확도를 보였다.
• 앙상블 기반 가중치를 활용한 최종 스코어 계산 방식이 일반화 능력과 일관성을 향상시켰다.
• 내시경 영상 분석에서 흔한 클래스 불균형과 소규모 데이터셋 문제를 효과적으로 다루었다.
• 이 결과는 전이 학습과 전통적 앙상블 방법을 융합하는 것이 피부 병변 분류에 실현 가능하고 효과적인 전략임을 시사한다.