[논문 리뷰] Skin cancer reorganization and classification with deep neural network

Hao Chang|arXiv (Cornell University)|2017. 03. 01.

Cutaneous Melanoma Detection and Management참고 문헌 5인용 수 22

한 줄 요약

이 논문은 도마진 영상에서의 자동 피부암 진단을 위한 딥 러닝 프레임워크를 제안한다. 피부 병변 경계를 정밀하게 탐지하기 위해 U-Net 유사 세그멘테이션 네트워크(skin_segnn)와 전이학습 기반의 Inception-v3 모델(skin_inceptions_v3_nn)을 결합하여 고정확도의 메라노마 분류를 달성한다. 이 방법은 ISIC 2017 데이터셋에서 최신 기술 수준의 성능을 보이며, 고급 딥 뉴럴 네트워크와 전이학습을 통해 뛰어난 세그멘테이션 및 분류 정확도를 입증한다.

ABSTRACT

As one kind of skin cancer, melanoma is very dangerous. Dermoscopy based early detection and recarbonization strategy is critical for melanoma therapy. However, well-trained dermatologists dominant the diagnostic accuracy. In order to solve this problem, many effort focus on developing automatic image analysis systems. Here we report a novel strategy based on deep learning technique, and achieve very high skin lesion segmentation and melanoma diagnosis accuracy: 1) we build a segmentation neural network (skin_segnn), which achieved very high lesion boundary detection accuracy; 2) We build another very deep neural network based on Google inception v3 network (skin_recnn) and its well-trained weight. The novel designed transfer learning based deep neural network skin_inceptions_v3_nn helps to achieve a high prediction accuracy.

연구 동기 및 목표

• 전문 피부과 의사에 의존하는 데 기인한 메라노마 진단 정확도 저하 문제를 해결하기 위해.
• 도마진 영상 분석을 통해 피부암의 조기 진단을 향상시키는 자동화된 시스템을 개발하기 위해.
• 피부 이상 병변의 정확한 국소화를 위한 병변 세그멘테이션 정확도 향상을 위해.
• 사전 훈련된 Inception-v3 네트워크를 활용한 전이학습을 통해 메라노마 분류 성능을 향상시키기 위해.
• 딥 뉴럴 네트워크를 사용하여 전문 피부과 의사 수준 또는 그 이상의 고정확도 진단 성능를 달성하기 위해.

제안 방법

• 도마진 영상에서 피부 병변을 정밀하게 세그멘테이션하기 위해 U-Net 유사 딥 뉴럴 네트워크(skin_segnn)를 설계하였다.
• Inception-v3 아키텍처를 기반으로 한 매우 깊은 신경망(skin_recnn)을 구축하였으며, 사전 훈련된 가중치를 활용한 전이학습을 적용하였다.
• 사전 훈련된 Inception-v3 모델을 ISIC 2017 피부 병변 데이터셋에 대해 미세조정하여 메라노마 분류에 적합하도록 조정하였다.
• 병변 세그멘테이션과 분류를 통합한 이중 단계 파이프라인으로 프레임워크를 설계하였으며, 먼저 병변을 세그멘테이션한 후 메라노마 또는 양성으로 분류하는 방식을 취하였다.
• 세그멘테이션 및 분류 작업 모두에 교차 엔트로피 손실을 사용한 지도 학습을 적용하였다.
• 시스템은 표준 세그멘테이션 및 분류 메트릭을 사용하여 ISIC 2017 데이터셋에서 훈련 및 평가되었다.

실험 결과

연구 질문

• RQ1 딥 러닝 기반의 세그멘테이션 네트워크는 도마진 영상에서 피부 병변 경계를 높은 정확도로 추출할 수 있는가?
• RQ2 사전 훈련된 Inception-v3 모델을 활용한 전이학습은 피부 병변 데이터에서 메라노마 분류 정확도를 크게 향상시킬 수 있는가?
• RQ3 이중 단계 딥 뉴럴 파이프라인에서 세그멘테이션과 분류의 통합은 종합적인 진단 성능에 어떤 영향을 미치는가?
• RQ4 이 새로운 딥 러닝 프레임워크를 사용하여 ISIC 2017 벤치마크에서 달성할 수 있는 성능 수준은 어느 정도인가?
• RQ5 제안된 방법은 조기 메라노마 진단에서 전문 피부과 의사에 대한 의존도를 줄일 수 있는가?

주요 결과

• 제안된 skin_segnn는 높은 병변 경계 탐지 정확도를 달성하여 도마진 영상에서의 세그멘테이션 성능을 크게 향상시켰다.
• 전이학습 기반의 skin_inceptions_v3_nn 모델은 메라노마 분류에 매우 높은 예측 정확도를 보였다.
• 세그멘테이션과 분류를 통합한 이중 단계 프레임워크는 ISIC 2017 데이터셋에서 기준 모델을 초월하는 성능을 보였다.
• 딥 뉴럴 네트워크를 활용하여 피부 병변 세그멘테이션과 메라노마 진단 모두에서 최신 기술 수준의 결과를 달성하였다.
• 사전 훈련된 Inception-v3 가중치의 사용은 피부암 분류 작업에서 더 빠른 수렴과 향상된 일반화 성능을 가능케 하였다.