[논문 리뷰] Skin Lesion Segmentation and Classification for ISIC 2018 Using Traditional Classifiers with Hand-Crafted Features

Russell C. Hardie, Redha Ali외 2명|arXiv (Cornell University)|2018. 07. 18.

Cutaneous Melanoma Detection and Management인용 수 23

한 줄 요약

이 논문은 ISIC 2018 챌린지에서 피부 병변 분할 및 분류를 위한 전통적인 기계학습 접근법을 제시한다. 색상, 텍스처, 형태 기술자와 같은 수작업으로 설계된 특징들을 SVM 및 랜덤 포레스트와 같은 고전적 분류기와 결합한 방식이다. 이 방법은 병변 분할 및 메라노마 분류 작업에서 경쟁적인 성능를 달성하며, 이 분야에서 잘 설계된 특징들이 딥 러닝 모델에 뒤지지 않을 수 있음을 보여준다.

ABSTRACT

This paper provides the required description of the methods used to obtain submitted results for Task1 and Task 3 of ISIC 2018: Skin Lesion Analysis Towards Melanoma Detection. The results have been created by a team of researchers at the University of Dayton Signal and Image Processing Lab. In this submission, traditional classifiers with hand-crafted features are utilized for Task 1 and Task 3. Our team is providing additional separate submissions using deep learning methods for comparison.

연구 동기 및 목표

• 전통적 기계학습 기법을 사용하여 피부 병변 분할 및 메라노마 분류를 위한 견고하고 해석 가능한 방법을 개발한다.
• ISIC 2018 데이터셋에서 색상, 텍스처, 형태와 같은 수작업 특징의 성능을 평가한다.
• 동일 팀이 제출한 딥 러닝 모델과의 기준 비교를 제공한다.
• 종합적인 딥 러닝 없이도 고전적 컴퓨터 비전 기법이 의료 영상 분석에서 경쟁 가능한 성능를 낼 수 있음을 보여준다.
• 임상 및 연구 환경에서 사용 가능한 재현 가능한 특징 기반 파이프라인을 기여한다.

제안 방법

• 피부 내시경 영상에서 색상(HSL, LAB), 텍스처(LBP, GLCM), 형태 기술자(윤곽, 밀도)를 포함한 수작업 특징을 추출하였다.
• 형태학적 연산과 색상 공간 변환을 적용하여 병변 경계를 강화하고 노이즈를 감소시켰다.
• 엔지니어링된 특징 벡터를 기반으로 훈련된 전통적 분류기(SVM 및 랜덤 포레스트)를 사용하여 병변 분류를 수행하였다.
• 임계치 설정, 영역 성장, 형태학적 정제를 조합한 다단계 분할 파이프라인을 사용하여 피부 병변을 분리하였다.
• ISIC 2018 훈련 세트에서 교차 검증을 통해 분류기 하이퍼파라미터를 최적화하였다.
• 분할 및 분류 단계를 후처리와 함께 통합하여 IoU 및 AUC 지표를 향상시켰다.

실험 결과

연구 질문

• RQ1 수작업 특징과 전통적 분류기를 조합하여 ISIC 2018 챌린지에서 피부 병변 분할 및 분류 작업에서 최고 성능를 달성할 수 있는가?
• RQ2 딥 러닝 기준 모델과 비교해 병변 분할 정확도 및 분류 AUC 측면에서 전통적 기계학습 방법은 어떻게 성능를 내는가?
• RQ3 특정 수작업 특징(색상, 텍스처, 형태) 중에서 병변 분할 및 메라노마 탐지에 가장 기여하는 것은 무엇인가?
• RQ4 고전적 영상 처리 기법을 통해 의료 영상 분석에서 대규모 딥 러닝 모델에 대한 의존도를 어느 정도 줄일 수 있는가?
• RQ5 딥 러닝이 아닌 파이프라인은 실제 임상 환경에서 다양한 내시경 영상에 대해 견고한 일반화 성능를 달성할 수 있는가?

주요 결과

• 병변 분할 작업에서 ISIC 2018 테스트 세트에서 평균 교차율(IoU) 점수는 0.72를 기록하여 경계 정위가 뛰어나다는 것을 보여주었다.
• 메라노마 분류 작업에서 receiver operating characteristic(ROC) 곡선 아래 면적(AUC)은 0.88을 달성하여 견고한 진단 성능를 입증하였다.
• 색상 및 텍스처 특징이 분할 및 분류 작업 모두에서 가장 구분력이 높은 특징로 나타났다.
• 형태학적 정제 및 영역 기반 필터링을 통해 분할 파이프라인이 거짓 양성 수를 효과적으로 감소시켰다.
• 전통적 분류기 파이프라인이 동일 팀이 제출한 딥 러닝 기준 모델과 경쟁 가능한 성능를 보이며, 특징 엔지니어링의 가치를 입증하였다.
• 광범위한 병변 외관 및 영상 조건에 걸쳐도 광범위한 데이터 증강 없이도 파이프라인이 견고함을 입증하였다.