[논문 리뷰] Region of Interest Detection in Dermoscopic Images for Natural Data-augmentation

Manu Goyal, Moi Hoon Yap|arXiv (Cornell University)|2018. 01. 01.

Cutaneous Melanoma Detection and Management참고 문헌 22인용 수 19

한 줄 요약

이 논문은 Faster R-CNN과 SSD를 사용하여 InceptionV2 아키텍처를 적용한 엔드 투 엔드 영역 관심(ROI) 검출을 제안하며, 최신 분할 기법들보다 뛰어난 국소화 성능을 달성한다. 검출된 ROI는 자연스러운 데이터 증강을 가능하게 하여 병변 진단 및 분할 성능을 향상시키며, 실시간 스마트폰 애플리케이션을 통해 실용적 구현 가능성을 입증한다.

ABSTRACT

With the rapid growth of medical imaging research, there is a great interest in the automated detection of skin lesions with computer algorithms. The state-of-the-art datasets for skin lesions are often accompanied with very limited amount of ground truth labeling as it is laborious and expensive. The Region Of Interest (ROI) detection is vital to locate the lesion accurately and must be robust to subtle features of different skin lesion types. In this work, we propose the use of two object localization meta-architectures for end-to-end ROI skin lesion detection in dermoscopic images. We trained the Faster-RCNN-InceptionV2 and SSD-InceptionV2 on the ISBI-2017 training dataset and evaluated their performance on the ISBI-2017 testing set, PH2 and HAM10000 datasets. Since there was no earlier work in ROI detection for skin lesion with CNNs, we compared the performance of skin localization methods with the state-of-the-art segmentation method. The localization methods proved superior to the segmentation method in ROI detection on skin lesion datasets. In addition, based on the detected ROI, an automated natural data-augmentation method is proposed and used as pre-processing in the lesion diagnosis and segmentation task. To further demonstrate the potential of our work, we developed a real-time smart-phone application for automated skin lesions detection.

연구 동기 및 목표

• 피부 병변 데이터셋에서 부족한 정답 레이블 문제를 해결하기 위해 ROI 검출을 자동화하여 레이블링 부담을 줄이기.
• 미세한 피부 병변 특징을 고려한 딥러닝 기반 객체 검출 모델을 활용하여 병변 국소화 정확도를 향상시키기.
• 검출된 ROI를 기반으로 자연스러운 데이터 증강 파이프라인을 개발하여 병변 진단 및 분할 작업의 성능 향상시키기.
• 실시간 스마트폰 애플리케이션을 통해 실제 적용 가능성을 입증하기.
• 기존에 CNN 기반 접근법에서 다루지 않은 바였던 도르모스코픽 영상에서의 ROI 검출에 대한 벤치마크 설정하기.

제안 방법

• 도르모스코픽 영상에서 ROI 국소화를 위해 엔드 투 엔드 객체 검출 메타아키텍처로 Faster R-CNN-InceptionV2와 SSD-InceptionV2를 사용하였다.
• 피부 병변을 영역 관심으로 검출하기 위해 ISBI-2017 트레이닝 데이터셋으로 모델을 훈련시켰다.
• 다양한 병변 유형에 대한 일반화 능력을 확보하기 위해 ISBI-2017 테스트 세트, PH2, HAM10000 데이터셋에서 모델 성능을 평가하였다.
• 후속 진단 및 분할 작업의 전처리 입력으로서 검출된 ROI를 활용한 자연스러운 데이터 증강 전략을 설계하였다.
• 실시간 스마트폰 애플리케이션에 ROI 검출 파이프라인을 통합하여 현장에서의 병변 검출 및 시각화를 가능하게 하였다.
• 특징 추출 및 검출의 강건성을 향상시키기 위해 사전 학습된 InceptionV2 백본을 사용한 전이 학습을 적용하였다.

실험 결과

연구 질문

• RQ1 Faster R-CNN 및 SSD와 같은 객체 검출 모델이 도르모스코픽 영상에서 높은 정확도로 피부 병변을 국소화하는 데 효과적인가?
• RQ2 피부 병변 데이터셋에서 ROI 검출 성능이 최신 분할 기법들과 비교해 어떻게 되는가?
• RQ3 ROI 기반 자연스러운 데이터 증강이 병변 진단 및 분할 모델의 성능 향상에 어느 정도 기여하는가?
• RQ4 엔드 투 엔드 ROI 검출 시스템이 모바일 플랫폼에서 실시간으로 효과적으로 구현 가능한가?
• RQ5 ROI 검출이 다양한 데이터셋 간 병변 외관의 미세한 변형에 대한 모델 강건성을 향상시키는가?

주요 결과

• 제안된 ROI 검출 방법은 여러 벤치마크 데이터셋에서 최신 분할 기법들보다 피부 병변 국소화 성능에서 뛰어난 성능을 보였다.
• Faster R-CNN-InceptionV2와 SSD-InceptionV2는 ISBI-2017, PH2, HAM10000 데이터셋에서 높은 검출 정확도를 달성하여 강력한 일반화 능력을 입증하였다.
• ROI 기반 자연스러운 데이터 증강 파이프라인은 현실적이고 병변 중심의 증강을 도입하여 후속 진단 및 분할 작업의 성능을 향상시켰다.
• 실시간 스마트폰 애플리케이션은 ROI 검출 파이프라인을 성공적으로 구현하여 낮은 지연 시간으로 현장에서 병변 검출이 가능했다.
• 본 연구는 도르모스코픽 영상에서 피부 병변 국소화를 위한 분할 기법의 효과적인 대안으로 ROI 검출을 입증하였다.
• 피부 병변에 대한 CNN 기반 ROI 검출에 관한 이전 연구가 없음을 감안할 때, 본 연구는 독창성과 잠재적 영향력을 지닌다.