[논문 리뷰] Skin Lesion Classification Using Deep Multi-scale Convolutional Neural Networks

Terrance DeVries, Dhanesh Ramachandram|arXiv (Cornell University)|2017. 03. 04.

Cutaneous Melanoma Detection and Management참고 문헌 3인용 수 48

한 줄 요약

이 논문은 미세조정된 Inception-v3를 사용하여 피부 병변을 메라노마, 뉴비우스, 지루성 각화증으로 분류하기 위한 딥 다중스케일 컨volution 신경망을 제안한다. 저해상도 및 고해상도 입력의 특징을 결합하고 데이터 증강, 앙상블, 후처리를 적용함으로써, 모델은 ISIC 2017 검증 세트에서 평균 AUC 0.943을 달성한다.

ABSTRACT

We present a deep learning approach to the ISIC 2017 Skin Lesion Classification Challenge using a multi-scale convolutional neural network. Our approach utilizes an Inception-v3 network pre-trained on the ImageNet dataset, which is fine-tuned for skin lesion classification using two different scales of input images.

연구 동기 및 목표

• 제한된 피부 내시경 영상 데이터를 바탕으로 양성 및 악성 피부 병변을 분류하는 데 도전하는 것.
• 작은 학습 데이터셋에도 불구하고 메라노마, 뉴비우스, 지루성 각화증의 분류 정확도를 향상시키는 것.
• 전반적인 병변 구조와 미세한 질감 세부 정보를 모두 캡처하기 위해 다중스케일 입력을 활용하여 향상된 특징 표현을 도모하는 것.
• 작은 데이터셋에서 과적합을 완화하기 위해 데이터 증강, 배치 정규화 및 모델 앙상블를 적용하는 것.

제안 방법

• ISIC 2017 피부 내시경 영상에 대해 ImageNet으로 사전 훈련된 Inception-v3 네트워크를 두 가지 입력 스케일(224×224, 굵은 해상도; 448×448, 중심 컷)을 사용하여 미세조정한다.
• 두 스케일에서 얻은 전역 평균 풀링 특징을 결합하여 4096차원 벡터로 표현한다.
• 다중 클래스 분류를 위해 ReLU 활성화 함수를 적용한 완전 연결 층 이후에 3개 클래스의 소프트맥스를 적용한다.
• 점진적 고정 해제를 통한 전이 학습: 처음에는 모든 Inception 레이어를 고정하고, 이후 미세조정 중에 마지막 두 개의 인셉션 모듈만 해제한다.
• 훈련 중에 90도 회전 및 무작위 반전을 통한 데이터 증강을 적용하여 정확도 향상과 과적합 감소를 도모한다.
• 테스트 시 데이터 증강을 통해 각 테스트 이미지의 8개 변형된 버전에 대한 예측을 평균화하고, 10개의 다양한 모델 간 기하 평균 앙상블을 적용한다.

실험 결과

연구 질문

• RQ1 ISIC 2017와 같이 작은 제한된 데이터셋에서 다중스케일 딥 러닝 접근 방식이 피부 병변 분류 성능을 향상시킬 수 있는가?
• RQ2 粗모양 및 세밀한 해상도 입력 간의 특징 공유가 병변 식별에 얼마나 효과적인가?
• RQ3 제한된 학습 데이터에서 과적합을 완화하기 위해 데이터 증강 및 모델 앙상블가 얼마나 효과적인가?
• RQ4 피부 내시경 영상에 대해 사전 훈련된 Inception-v3 모델을 미세조정하면 더 큰 데이터셋과 비교해도 경쟁력 있는 성능을 낼 수 있는가?

주요 결과

• 앙상블 모델은 ISIC 2017 검증 세트에서 모든 세 클래스 평균 정확도 0.903을 달성했다.
• 메라노마 분류에 대해 AUC 0.896을 기록하여 양성과 악성 병변을 잘 구분하는 강력한 성능을 보였다.
• 지루성 각화증의 경우 AUC 0.990으로 매우 높은 성능을 기록하여 다른 클래스와 거의 완벽하게 분리됨을 시사했다.
• ISIC_MSK2_1에서 추가 학습 데이터를 활용함으로써 메라노마 예측 성능이 향상되었지만, 클래스 불균형으로 인해 지루성 각화증에는 거의 영향을 주지 않았다.
• 8개의 이미지 변형(회전 및 반전)을 활용한 테스트 시 데이터 증강이 예측 안정성과 일반화 능력을 향상시켰다.
• 다양한 하이퍼파라미터와 훈련 폴드를 가진 10개의 모델 앙상블은 성능 향상에 상당한 기여를 하였으며, 소규모 데이터 환경에서 모델 다양성의 가치를 입증했다.