[논문 리뷰] Skin Lesion Analysis Towards Melanoma Detection Using Deep Learning Network

Yuexiang Li, Linlin Shen|arXiv (Cornell University)|2017. 03. 02.

Cutaneous Melanoma Detection and Management참고 문헌 21인용 수 9

한 줄 요약

이 논문은 두 개의 완전 컨volution형 잔차망원(FCRN)을 사용한 딥러닝 프레임워크를 제안하며, 병변 분할과 굵은 분류를 동시에 수행한다. 이는 병변 지수 계산 단위(LICU)를 통해 예측을 정밀하게 보완한다. 또한 도마진적 특징 추출을 위한 단순한 CNN도 도입한다. 이 방법은 ISIC 2017 테스트 세트에서 각각 0.718(과제 1), 0.833(과제 2), 0.823(과제 3)의 AUC 스코어를 기록하여, 메라노마 검출 과제에서 뛰어난 성능을 보였다.

ABSTRACT

Skin lesion is a severe disease in world-wide extent. Early detection of melanoma in dermoscopy images significantly increases the survival rate. However, the accurate recognition of melanoma is extremely challenging due to the following reasons, e.g. low contrast between lesions and skin, visual similarity between melanoma and non-melanoma lesions, etc. Hence, reliable automatic detection of skin tumors is very useful to increase the accuracy and efficiency of pathologists. International Skin Imaging Collaboration (ISIC) is a challenge focusing on the automatic analysis of skin lesion. In this paper, we proposed two deep learning methods to address all the three tasks announced in ISIC 2017, i.e. lesion segmentation (task 1), lesion dermoscopic feature extraction (task 2) and lesion classification (task 3). A deep learning framework consisting of two fully-convolutional residual networks (FCRN) is proposed to simultaneously produce the segmentation result and the coarse classification result. A lesion index calculation unit (LICU) is developed to refine the coarse classification results by calculating the distance heat-map. A straight-forward CNN is proposed for the dermoscopic feature extraction task. To our best knowledges, we are not aware of any previous work proposed for this task. The proposed deep learning frameworks were evaluated on the ISIC 2017 testing set. Experimental results show the promising accuracies of our frameworks, i.e. 0.718 for task 1, 0.833 for task 2 and 0.823 for task 3 were achieved.

연구 동기 및 목표

• 저대비 및 비암 병변과의 시각적 유사성으로 인해 진단이 어려운 도마진적 영상에서 정확한 메라노마 검출 문제를 해결하기 위해.
• 병변 분할, 도마진적 특징 추출, 분류를 동시에 수행할 수 있는 통합된 딥러닝 프레임워크를 개발하기 위해.
• 거리 히트맵을 사용하여 굵은 예측을 정밀하게 보완함으로써 분류 정확도를 향상시키는 새로운 병변 지수 계산 단위(LICU)를 도입하기 위해.
• 이전 문헌에서 다루지 않은 새로운 과제인 피부 병변에서의 도마진적 특징 추출을 위한 첫 번째 딥러닝 솔루션을 제공하기 위해.
• 제안된 모델을 ISIC 2017 벤치마크에서 평가하여, 세 가지 과제 모두에서 최신 기술 수준의 성능을 입증하기 위해.

제안 방법

• 이중 브랜치 완전 컨볼루션형 잔차망원(FCRN)을 사용하여 도마진적 영상에서 병변 분할과 굵은 분류를 동시에 예측한다.
• 병변 지수 계산 단위(LICU)는 거리 히트맵을 계산하여 굵은 분류 출력을 정밀하게 보완함으로써 결정 경계 정확도를 향상시킨다.
• 도마진적 특징 추출을 위해 특별히 설계된 표준 컨볼루션 신경망(CNN)을 사용하여 질감과 구조적 패턴을 캡처한다.
• FCRN 아키텍처는 전체 공간적 감독을 통해 엔드 투 엔드 학습을 가능하게 하며, 정밀한 분할을 위해 해상도를 유지한다.
• 프레임워크는 표준 메트릭을 사용하여 ISIC 2017 데이터셋에서 학습 및 평가된다.
• 손실 함수는 다중 과제 학습을 최적화하여 분할, 분류, 특징 추출 목표 간의 균형을 맞춘다.

실험 결과

연구 질문

• RQ1 통합된 딥러닝 프레임워크는 도마진적 영상에서 병변 분할과 굵은 분류를 효과적으로 동시에 수행할 수 있는가?
• RQ2 병변 지수 계산 단위(LICU)는 거리 히트맵 분석을 통해 굵은 예측을 정밀하게 보완함으로써 메라노마 분류 정확도를 어떻게 향상시키는가?
• RQ3 도전적인 과제인 피부 병변에서의 도마진적 특징 추출을 위해 전용 CNN 아키텍처가 효과적인가?
• RQ4 제안된 다중 과제 학습 접근법을 사용하여 ISIC 2017 벤치마크에서 어떤 성능 향상이 달성될 수 있는가?
• RQ5 기존 최신 기술 기반 기법들과 비교해 볼 때, 제안된 방법은 피부 병변 분석 분야에서 어떻게 성과를 내는가?

주요 결과

• 제안된 프레임워크는 ISIC 2017 테스트 세트에서 병변 분할 과제에서 AUC 0.718을 기록하여 강력한 국소화 성능를 보였다.
• 도마진적 특징 추출 과제에서 AUC 0.833을 달성하여 관련 진단 특징을 효과적으로 캡처하고 있음을 입증하였다.
• 분류 과제에서 AUC 0.823을 기록하여 메라노마와 비암 병변을 높은 정확도로 구분하고 있음을 보여주었다.
• 병변 지수 계산 단위(LICU)의 통합은 거리 히트맵 분 析를 통해 굵은 예측을 정밀하게 보완함으로써 분류 결과를 크게 향상시켰다.
• 본 연구는 피부 병변 분석의 핵심적 격차를 메우기 위해 도마진적 특징 추출을 위한 첫 번째 딥러닝 접근법을 제시하였다.
• FCRN을 사용한 다중 과제 학습 프레임워크는 ISIC 2017의 세 가지 과제 모두에서 견고한 성능을 보였으며, 핵심 메트릭에서 이전 방법들을 능가하였다.