[논문 리뷰] Skin Cancer Segmentation and Classification with NABLA-N and Inception Recurrent Residual Convolutional Networks

Md Zahangir Alom, Theus H. Aspiras외 2명|arXiv (Cornell University)|2019. 04. 25.

Cutaneous Melanoma Detection and Management참고 문헌 12인용 수 32

한 줄 요약

NABLA-N을 활용한 피부경검 이미지 세그먼테이션과 IRRCNN을 이용한 피부암 분류를 도입했으며, ISIC-2018에서 경쟁력 있는 결과를 보였다.

ABSTRACT

In the last few years, Deep Learning (DL) has been showing superior performance in different modalities of biomedical image analysis. Several DL architectures have been proposed for classification, segmentation, and detection tasks in medical imaging and computational pathology. In this paper, we propose a new DL architecture, the NABLA-N network, with better feature fusion techniques in decoding units for dermoscopic image segmentation tasks. The NABLA-N network has several advances for segmentation tasks. First, this model ensures better feature representation for semantic segmentation with a combination of low to high-level feature maps. Second, this network shows better quantitative and qualitative results with the same or fewer network parameters compared to other methods. In addition, the Inception Recurrent Residual Convolutional Neural Network (IRRCNN) model is used for skin cancer classification. The proposed NABLA-N network and IRRCNN models are evaluated for skin cancer segmentation and classification on the benchmark datasets from the International Skin Imaging Collaboration 2018 (ISIC-2018). The experimental results show superior performance on segmentation tasks compared to the Recurrent Residual U-Net (R2U-Net). The classification model shows around 87% testing accuracy for dermoscopic skin cancer classification on ISIC2018 dataset.

연구 동기 및 목표

• 피부경검 이미지의 의미론적 분할을 향상된 특징 융합을 갖춘 새로운 NABLA-N 아키텍처를 사용하여 진보시킨다.
• Inception Recurrent Residual Convolutional Neural Network(IRRCNN)를 활용하여 피부암 분류 성능을 개선한다.
• ISIC-2018 벤치마크 데이터셋에서 R2U-Net보다 우수한 세그먼트를 시연한다.
• 피부경검 피부암에 대한 ISIC-2018에서 경쟁력 있는 분류 정확도를 보여준다.

제안 방법

• 디코딩 과정에서 로우-부터 하이-레벨 특징 맵을 융합하여 특징 표현을 개선한 NABLA-N 네트워크를 제안한다.
• 피부경검 이미지의 세그먼트 작업에 NABLA-N을 활용한다.
• 피부암 분류를 위해 Inception Recurrent Residual Convolutional Neural Network(IRRCNN)를 적용한다.
• ISIC-2018 벤치마크 데이터셋에서 NABLA-N과 IRRCNN을 모두 평가한다.
• 세그먼트 성능을 R2U-Net(Recurrent Residual U-Net)과 비교한다.
• ISIC-2018에서 분류 정확도(대략 87% 테스트 정확도)를 보고한다.

실험 결과

연구 질문

• RQ1 향상된 다중 스케일 특징 융합을 통해 NABLA-N이 피부경검 이미지의 우수한 의미론적 분할을 제공할 수 있는가?
• RQ2 IRRCNN이 ISIC-2018에서 피부암 분류에 대해 경쟁력 있는 정확도를 달성하는가?
• RQ3 ISIC-2018에서 NABLA-N 기반의 세그먼트 결과는 R2U-Net과 어떻게 비교되는가?
• RQ4 제안된 아키텍처를 사용한 세그먼트와 분류에서 정량적 및 정성적 이익은 무엇인가?

주요 결과

• NABLA-N은 저수준에서 고수준의 특징 맵을 융합하여 의미론적 분할에 대한 특징 표현을 개선한다.
• NABLA-N은 경쟁 방법과 동일하거나 더 적은 파라미터 수로 우수한 세그먼트 성능을 달성한다.
• IRRCNN은 ISIC-2018 피부경검 피부암 분류에서 약 87%의 테스트 정확도를 달성한다.
• ISIC-2018 벤치마크에서 세그먼트 결과가 R2U-Net보다 개선되었다.
• 제안된 접근 방식은 두 작업 모두에서 ISIC-2018에서 강력한 정성적/정량적 결과를 보여준다.