[논문 리뷰] ResNet101 and DAE for Enhance Quality and Classification Accuracy in Skin Cancer Imaging

Sibasish Dhibar|arXiv (Cornell University)|2024. 03. 21.

Cutaneous Melanoma Detection and ManagementMedicine인용 수 3

한 줄 요약

이 논문은 피부 종양 진단을 위한 정확도를 향상시키기 위해 ResNet101과 딥 오토인코더(DAE)를 조합한 하이브리드 딥 러닝 프레임워크를 제안한다. 이 방법은 입력 이미지의 품질을 향상시키기 위해 특징 학습과 노이즈 제거 오토인코딩을 활용하며, ISIC-2018 데이터셋에서 96.03%의 정확도, 95.40%의 정밀도, 96.05%의 재현율, 0.9576의 F-측정값, 0.98의 AUC를 달성한다.

ABSTRACT

Skin cancer is a crucial health issue that requires timely detection for higher survival rates. Traditional computer vision techniques face challenges in addressing the advanced variability of skin lesion features, a gap partially bridged by convolutional neural networks (CNNs). To overcome the existing issues, we introduce an innovative convolutional ensemble network approach named deep autoencoder (DAE) with ResNet101. This method utilizes convolution-based deep neural networks for the detection of skin cancer. The ISIC-2018 public data taken from the source is used for experimental results, which demonstrate remarkable performance with the different in terms of performance metrics. The methods result in 96.03% of accuracy, 95.40 % of precision, 96.05% of recall, 0.9576 of F-measure, 0.98 of AUC.

연구 동기 및 목표

• 정확한 피부암 진단을 방해하는 피부 병변 특징의 높은 변동성을 해결하기 위해.
• 더 나은 특징 추출을 위해 피부 병변 스캔의 이미지 품질을 향상시키기 위해.
• 실세계의 피부내시경 이미지에서 딥 신경망을 사용하여 분류 성능을 향상시키기 위해.
• 사전 훈련된 ResNet101을 딥 오토인코더와 통합하여 공동 특징 학습과 이미지 복원을 수행하기 위해.
• 임상적 관련성을 확보하기 위해 ISIC-2018 기준 데이터셋에서 제안된 모델을 검증하기 위해.

제안 방법

• 딥 오토인코더(DAE)는 압축되고 노이즈에 강건한 표현을 학습하여 입력 피부 병변 이미지의 재구성과 품질 향상에 활용된다.
• DAE는 ISIC-2018 데이터셋에서 엔드 투 엔드로 훈련되어 계층적인 특징을 학습하고 이미지 노이즈 및 잡음을 줄인다.
• DAE를 통해 향상된 이미지는 특징 추출 및 분류를 위해 사전 훈련된 ResNet101 기반 모델에 입력된다.
• DAE 기반 이미지 전처리 후 ISIC-2018 데이터셋에서 ResNet101의 분류기 헤드를 미세 조정함으로써 전이 학습을 적용한다.
• 교차 엔트로피 손실과 Adam 최적화를 사용하여 앙상블 모델을 훈련하고, 정확도, 정밀도, 재현율, F1-스코어, AUC와 같은 표준 지표를 사용해 평가한다.

실험 결과

연구 질문

• RQ1 DAE 기반 이미지 향상 기법이 후속 분류를 위한 피부내시경 이미지 품질을 향상시킬 수 있는가?
• RQ2 ResNet101을 DAE와 조합할 경우, ResNet101를 단독으로 사용할 때와 비교해 분류 정확도에 어떤 영향을 미치는가?
• RQ3 제안된 방법이 피부 병변의 외관에 대한 노이즈와 변동성의 영향을 어느 정도 줄일 수 있는가?
• RQ4 오토인코딩과 잔차 학습을 함께 사용할 경우 ISIC-2018 기준 데이터셋에서 더 나은 일반화 성능을 달성하는가?
• RQ5 모델의 AUC, F1-스코어 및 피부암 종류 간 균형 잡힌 지표에서의 성능은 어떠한가?

주요 결과

• 제안된 방법은 ISIC-2018 데이터셋에서 분류 정확도 96.03%를 달성했다.
• 모델은 정밀도 95.40%와 재현율 96.05%를 보이며 정밀도와 민감도 사이의 균형이 잘 잡혀 있음을 나타낸다.
• F-측정값은 0.9576에 도달하여 정밀도와 재현율의 고조합 평균이 매우 높음을 반영한다.
• ROC 곡선 아래 면적(AUC)은 0.98로 뛰어난 분류 성능를 나타낸다.
• DAE를 통한 이미지 향상과 ResNet101를 통한 분류의 통합은 이미지 품질과 지표 일관성 면에서 기준 모델을 크게 능가했다.