[논문 리뷰] Skin Lesion Segmentation and Classification with Deep Learning System.

Devansh Bisla, Anna Choromanska외 3명|arXiv (Cornell University)|2019. 02. 16.

Cutaneous Melanoma Detection and Management참고 문헌 22인용 수 13

한 줄 요약

이 논문은 깊이 학습 기반의 피부 병변 분할 및 분류 시스템을 제안하며, 전용 차폐 제거 모듈과 생성적 적대 기반(GAN) 데이터 증강 단위를 통해 데이터 부족 문제를 해결한다. 진짜 이미지를 정제하고 부족한 병변 유형에 대해 합성 데이터를 생성함으로써, 작은, 불균형한, 차폐된 피부 병변 데이터셋에서 표준 기준 모델보다 뛰어난 성능을 달성한다.

ABSTRACT

Melanoma is one of the ten most common cancers in the US. Early detection is crucial for survival, but often the cancer is diagnosed in the fatal stage. Deep learning has the potential to improve cancer detection rates, but its applicability to melanoma detection is compromised by the limitations of the available skin lesion databases, which are small, heavily imbalanced, and contain images with occlusions. We build deep-learning-based tools for data purification and augmentation to counter-act these limitations. The developed tools can be utilized in a deep learning system for lesion classification and we show how to build such a system. The system heavily relies on the processing unit for removing image occlusions and the data generation unit, based on generative adversarial networks, for populating scarce lesion classes, or equivalently creating virtual patients with pre-defined types of lesions. We empirically verify our approach and show that incorporating these two units into melanoma detection system results in the superior performance over common baselines.

연구 동기 및 목표

• 악성 피부 종양 진단에서 작은, 불균형한, 차폐된 피부 병변 데이터베이스의 과제를 해결하기 위해.
• 피부 병변 이미지에서 차폐를 제거하는 데이터 정제 모듈을 개발하기 위해.
• 생성적 적대 기반(GAN) 네트워크를 사용하여 희귀 병변 유형을 합성하는 데이터 생성 단위를 설계하기 위해.
• 이러한 구성 요소들을 통합하여 향상된 병변 분류를 위한 유일한 깊이 학습 시스템을 구축하기 위해.
• 일반 기준 모델들과의 비교를 통해 시스템의 성능을 경험적으로 검증하기 위해.

제안 방법

• 딥 러닝을 사용하여 피부 병변 이미지에서 차폐(예: 머리카락, 도구 등)를 탐지하고 제거하는 처리 유닛을 개발하였다.
• 부족한 병변 유형의 현실적인 이미지를 합성하기 위해 GAN 기반의 데이터 생성 유닛을 훈련시켰다. 이는 가상의 환자를 생성하는 데 효과적이다.
• 정제된 진짜 이미지와 생성된 합성 이미지를 결합하여 깊이 학습 분류기의 훈련을 수행하였다.
• 분류기는 증강된 데이터셋에서 엔드 투 엔드로 훈련되었으며, 진짜 데이터와 합성 데이터를 모두 활용하였다.
• GAN 생성기는 실제 희귀 클래스의 통계적 분포와 일치하는 고해상도 병변 이미지를 생성하도록 최적화되었다.
• 전체 시스템은 알려진 클래스 불균형과 차폐 문제를 포함한 벤치마크 피부 병변 데이터셋에서 평가되었다.

실험 결과

연구 질문

• RQ1 딥 러닝 기반의 차폐 제거 모듈이 잡음 요소가 존재하는 피부 병변 이미지의 품질을 향상시킬 수 있는가?
• RQ2 GAN으로 생성된 합성 이미지는 희귀 악성 피부 종양 유형의 분류 성능을 어느 정도 향상시킬 수 있는가?
• RQ3 데이터 정제와 GAN 기반 증강을 통합함으로써 모델의 전체 정확도와 내구성은 어떻게 영향을 받는가?
• RQ4 제안된 시스템은 작은, 불균형한, 차폐된 피부 병변 데이터셋에서 표준 깊이 학습 기준 모델을 초월하는가?

주요 결과

• 제안된 시스템은 불균형하고 차폐된 피부 병변 데이터셋에서 일반 기준 모델보다 뛰어난 분류 성능을 달성하였다.
• 데이터 정제 유닛은 차폐를 효과적으로 제거하여 후속 분류 작업을 위한 입력 데이터의 품질을 향상시켰다.
• GAN 기반의 데이터 생성 유닛은 희귀 병변 유형의 현실적인 이미지를 성공적으로 합성하여 훈련 데이터의 다양성을 증가시켰다.
• 두 모듈의 통합은 특히 희귀 병변 유형에 대해 모델의 일반화 능력과 정확도를 크게 향상시켰다.
• 경험적 결과는 시스템이 데이터 부족과 불균형 문제를 다룰 때 기존 방법보다 분류 지표에서 뛰어난 성능을 보임을 확인하였다.