[논문 리뷰] Skin Lesion Analysis Towards Melanoma Detection via End-to-end Deep Learning of Convolutional Neural Networks

Katherine M. Li, Evelyn C. Li|arXiv (Cornell University)|2018. 07. 22.

Cutaneous Melanoma Detection and Management참고 문헌 11인용 수 14

한 줄 요약

이 논문은 HAM10000 데이터셋에서 불균형한 클래스 분포 문제를 다루기 위해 사전 훈련된 ImageNet 가중치를 활용하고, 병변 진단 모델의 가중치로 백본을 재초기화함으로써 병변 세그멘테이션 및 메라노마 진단을 위한 엔드 투 엔드 딥 러닝 접근법을 제시한다. 이 방법은 마스크 R-CNN과 최적화된 CNN(예: DenseNet201)을 사용하여 병변 경계 세그멘테이션에서 0.818의 재현율 지수를 달성했고, 잘라낸 병변 이미지를 사용할 경우 정확도가 2% 향상되어 불균형한 HAM10000 데이터셋에서 진단 성능을 크게 향상시켰다.

ABSTRACT

This article presents the design, experiments and results of our solution submitted to the 2018 ISIC challenge: Skin Lesion Analysis Towards Melanoma Detection. We design a pipeline using state-of-the-art Convolutional Neural Network (CNN) models for a Lesion Boundary Segmentation task and a Lesion Diagnosis task.

연구 동기 및 목표

• 최신 기술의 CNN을 사용하여 병변 세그멘테이션 및 메라노마 진단을 위한 엔드 투 엔드 딥 러닝 파이프라인을 개발하기 위해.
• HAM10000 데이터셋의 클래스 불균형 문제를 클래스 가중치 및 데이터 증강을 통해 해결하기 위해.
• 병변 경계 세그멘테이션 성능을 향상시키기 위해 병변 진단 모델의 가중치로 ResNet50 백본을 재초기화하기 위해.
• 세그멘테이션 출력을 마스크로 사용하여 병변 영역을 잘라내어 병변 특이적 특징에 집중함으로써 병변 진단 정확도에 미치는 영향을 평가하기 위해.
• 명시적인 임상 특징(annotation, 예: ABCDE 기준)이 데이터셋에 존재하지 않는 상황에서, 엔드 투 엔드 훈련이 모듈러한 특징 기반 접근법보다 우수한 성능을 보이는지 입증하기 위해.

제안 방법

• 모든 병변을 하나의 클래스로 간주하고 배경 클래스를 포함하여 병변 경계 세그멘테이션을 위해 마스크 R-CNN을 사용하고, ResNet50을 백본으로 활용하였다.
• ResNet50 백본을 ImageNet 사전 훈련된 가중치로 초기화한 후, 병변 진단 모델의 가중치를 사용하여 후속으로 미세조정하여 피부 병변에 대한 특징 추출 성능을 향상시켰다.
• 전체 평균 풀링과 소프트맥스 분류를 사용한 다중 클래스 교차 엔트로피 손실 함수를 적용하여, 병변 진단을 위한 다중 클래스 분류를 위해 여러 CNN 아키텍처(ResNet152, DenseNet201, Inception_V4)를 훈련시켰다.
• HAM10000 데이터셋의 심각한 클래스 불균형 문제의 영향을 줄이기 위해 손실 함수에 클래스 가중치를 적용하였다.
• Task 1의 세그멘테이션 마스크를 사용하여 병변 영역을 잘라내고, 이를 기반으로 진단 모델을 재훈련하여 병변 특이적 특징에 집중하도록 하였다.
• 세그멘테이션 성능 평가에는 재현율 지수를, 진단 성능 평가에는 정규화된 다중 클래스 정확도를 사용하였으며, 검증은 데이터의 20%를 할당하여 수행하였다.

실험 결과

연구 질문

• RQ1 표준 ImageNet 사전 훈련보다, 최적화된 특징 추출을 통한 엔드 투 엔드 딥 러닝이 병변 경계 세그멘테이션 정확도를 향상시킬 수 있는가?
• RQ2 병변 진단 모델의 가중치로 CNN 백본을 재초기화하면 세그멘테이션 성능에 어떤 영향을 미치는가?
• RQ3 세그멘테이션 마스크를 기반으로 병변 영역을 잘라내는 것이 다중 클래스 피부 병변 진단 정확도에 어느 정도 향상되는가?
• RQ4 클래스 가중치는 불균형한 HAM10000 데이터셋에서 소수의 클래스 성능 저하를 효과적으로 완화할 수 있는가?
• RQ5 임상 특징(예: 비대칭성, 지름 등)이 데이터셋에 존재하지 않는 상황에서, 엔드 투 엔드 접근법이 모듈러한 특징 기반 시스템보다 우수한 성능을 보일 수 있는가?

주요 결과

• 병변 진단 모델의 가중치로 ResNet50 백본을 재초기화함으로써 검증 세트에서 병변 경계 세그멘테이션의 재현율 지수가 0.783에서 0.818으로 향상되었다.
• 세그멘테이션 마스크에서 유도된 잘라낸 병변 이미지를 사용함으로써, 병변 진단의 정규화된 다중 클래스 정확도가 절대적으로 2% 향상되었다.
• 시험된 모델들 중에서 DenseNet201이 혼동 행렬에서 가장 뛰어난 성능을 보였으며, 모든 클래스에 걸쳐 강력한 일반화 능력을 보였다.
• 클래스 가중치는 피부섬유종(115장의 이미지)과 같이 소수의 클래스에서 모델 성능 향상에 크게 기여하였으며, 저표본 클래스에 더 높은 손실 가중치를 할당함으로써 개선 효과를 보였다.
• 잘라내기로 얻는 성능 향상은 세그멘테이션 품질에 크게 의존함을 확인하여, 세그멘테이션 및 진단 파이프라인이 상호 의존적임을 시사하였다.
• 이 경우 임상 특징의 지표(예: 비대칭성, 지름 등)가 데이터셋에 존재하지 않기 때문에, 엔드 투 엔드 접근법이 모듈러한 특징 기반 시스템보다 뛰어난 성능을 보였다.