[논문 리뷰] Skin Lesion Segmentation and Classification for ISIC 2018 by Combining Deep CNN and Handcrafted Features

Redha Ali, Russell C. Hardie외 2명|arXiv (Cornell University)|2019. 08. 14.

Cutaneous Melanoma Detection and Management참고 문헌 2인용 수 12

한 줄 요약

이 논문은 ISIC 2018 챌린지에서 피부 병변 분할 및 분류를 위한 계산적으로 효율적인 방법을 제안하며, 딥 컨volution 신경망(CNN) 특징과 수작업 특징을 융합한다. 저자들은 분류 능력을 향상시키기 위해 하이브리드 특징을 도입하고, 이를 다중 클래스 SVM 분류기에 입력하여 Task 3에서 검증 점수 0.841을 달성한다.

ABSTRACT

This short report describes our submission to the ISIC 2018 Challenge in Skin Lesion Analysis Towards Melanoma Detection for Task1 and Task 3. This work has been accomplished by a team of researchers at the University of Dayton Signal and Image Processing Lab. Our proposed approach is computationally efficient are combines information from both deep learning and handcrafted features. For Task3, we form a new type of image features, called hybrid features, which has stronger discrimination ability than single method features. These features are utilized as inputs to a decision-making model that is based on a multiclass Support Vector Machine (SVM) classifier. The proposed technique is evaluated on online validation databases. Our score was 0.841 with SVM classifier on the validation dataset.

연구 동기 및 목표

• 다양한 특징 융합을 통해 악성 피부암 조기 진단을 위한 정확한 피부 병변 분할 및 분류 문제를 해결한다.
• 딥 러닝 또는 수작업 특징에만 의존하는 것의 한계를 극복하기 위해 두 가지를 융합하여 성능을 향상시킨다.
• 피부과 영상 분석 분야에서 임상적 적용에 적합한 계산적으로 효율적인 접근법을 개발한다.
• 딥 러닝 및 전통적 영상 특징을 융합한 새로운 하이브리드 특징 표현 방식을 도입하여 특징의 구분 능력을 향상시킨다.
• 강력한 하이브리드 특징-SVM 파이프라인을 사용하여 ISIC 2018 Task 3 벤치마크에서 최신 기술 수준의 성능을 달성한다.

제안 방법

• 피부 병변 영상에서 계층적 고수준 표현을 캡처하기 위해 딥 CNN을 활용해 특징 추출을 수행한다.
• 동일한 영상에서 텍스처, 형태, 색상 등의 수작업 특징을 추출하여 딥 특징을 보완한다.
• 딥 특징과 수작업 특징을 융합하여 새로운 하이브리드 특징 벡터를 구성함으로써 구분 능력을 향상시킨다.
• 최종 분류를 위해 하이브리드 특징 벡터에 다중 클래스 서포트 벡터 머신(SVM) 분류기를 적용한다.
• ISIC 2018 온라인 검증 데이터베이스를 활용해 Task 3(피부 병변 분류)에 대해 모델을 최적화한다.
• 과도하게 복잡한 아키텍처를 피하고 실시간 적용 가능성을 고려하여 계산 효율성을 확보한다.

실험 결과

연구 질문

• RQ1 딥 CNN 특징과 수작업 특징을 융합하면 피부 병변 분석에서 분류 정확도가 향상되는가?
• RQ2 제안된 하이브리드 특징 표현 방식이 악성 피부암 진단에서 단일 모odal 특징 추출 방식보다 우수한가?
• RQ3 ISIC 2018 데이터셋에서 융합된 딥 및 수작업 특징을 입력으로 사용한 다중 클래스 SVM 분류기는 얼마나 효과적인가?
• RQ4 성능 향상과 함께 계산 효율성은 어느 정도 유지되는가?
• RQ5 다양한 유형의 특징 융합은 임상 환경에서 양성 및 악성 병변의 오분류를 줄이는 데 얼마나 기여하는가?

주요 결과

• 제안된 하이브리드 특징 융합 방식은 ISIC 2018 Task 3 벤치마크에서 검증 점수 0.841을 달성했다.
• 딥 CNN과 수작업 특징의 융합은 단독으로 사용할 경우보다 특징의 구분 능력이 크게 향상됨을 확인했다.
• 다중 클래스 SVM 분류기는 검증 세트에서 우수한 일반화 성능를 보이며 병변의 다양성에 대한 강건성을 입증했다.
• 계산 효율성이 유지되어 임상 환경에서의 구현에 적합한 성능을 보였다.
• 결과적으로 보완적인 특징 유형의 융합이 피부 병변 분류 작업에서 모델 성능 향상에 기여함을 확인했다.