[논문 리뷰] Skin lesion segmentation based on preprocessing, thresholding and neural networks

Juana M. Gutiérrez-Arriola, Marta Gómez-Álvarez외 3명|arXiv (Cornell University)|2017. 03. 15.

Cutaneous Melanoma Detection and Management참고 문헌 2인용 수 7

한 줄 요약

이 논문은 ISIC 2017 챌린지용 피부 병변 세분화 방법을 제안하며, 사전 처리, 임계값 설정 및 신경망을 조합한다. RGB, YCbCr, HSV 색상 공간을 평가하고, 각 채널에 최적의 사전 처리를 선택하며, 훈련된 신경망을 사용해 병변 세분화의 Jaccard 지수를 예측한다. 최고 성능을 보인 채널을 선택하고, 初기 Jaccard 점수가 0.5 이하일 경우 형태학적 연산을 적용하여 안정적인 성능을 달성하며, 전용 모발 제거 기법을 사용하지 않는다.

ABSTRACT

This abstract describes the segmentation system used to participate in the challenge ISIC 2017: Skin Lesion Analysis Towards Melanoma Detection. Several preprocessing techniques have been tested for three color representations (RGB, YCbCr and HSV) of 392 images. Results have been used to choose the better preprocessing for each channel. In each case a neural network is trained to predict the Jaccard Index based on object characteristics. The system includes black frames and reference circle detection algorithms but no special treatment is done for hair removal. Segmentation is performed in two steps first the best channel to be segmented is chosen by selecting the best neural network output. If this output does not predict a Jaccard Index over 0.5 a more aggressive preprocessing is performed using open and close morphological operations and the segmentation of the channel that obtains the best output from the neural networks is selected as the lesion.

연구 동기 및 목표

• ISIC 2017 챌린지에 적합한 강력한 피부 병변 세분화 시스템을 개발하기 위해.
• 다양한 색상 표현 방식(RGB, YCbCr, HSV)이 병변 세분화 성능에 미치는 영향을 평가하기 위해.
• 각 색상 채널에 최적의 사전 처리 기법을 선택하여 세분화 정확도를 향상시키기 위해.
• 신경망을 사용해 병변 객체 특성 정보를 입력으로 받아 Jaccard 지수를 예측하여 세분화 품질을 평가하고 채널 선택을 안내하기 위해.
• 초기 예측 성능이 열악할 경우 형태학적 연산을 통해 세분화의 강건성을 향상시키기 위해.

제안 방법

• 이 방법은 RGB, YCbCr, HSV 세 가지 색상 공간에서 392幅 이미지에 대해 사전 처리 기법을 평가한다.
• 각 색상 채널에 대해 병변 대비 및 분리도 향상 성능을 기반으로 사전 처리를 선정한다.
• 병변 객체 특성 정보를 입력으로 사용해 Jaccard 지수를 예측하는 데 각 채널별로 신경망을 훈련시킨다.
• 최고의 예측 Jaccard 지수를 보인 채널을 최종 세분화에 사용한다.
• 예측 Jaccard 지수가 0.5 이하일 경우, 재평가 이전에 세분화 향상을 위해 형태학적 연산(오픈 및 클로즈)을 적용한다.
• 검은 테두리 및 기준 원 검출 기능을 포함하고 있으나, 전용 모발 제거 기법은 구현하지 않는다.

실험 결과

연구 질문

• RQ1 RGB, YCbCr, HSV 중 어떤 색상 공간이 피부 병변 세분화에 가장 효과적인 사전 처리를 제공하는가?
• RQ2 다양한 사전 처리 기법이 색상 채널 간 병변 세분화 정확도에 어떤 영향을 미치는가?
• RQ3 병변 객체 특성 정보를 기반으로 훈련된 신경망이 Jaccard 지수를 신뢰성 있게 예측할 수 있는가?
• RQ4 초기 신경망 예측 성능이 열악할 경우 형태학적 연산을 적용하면 세분화 성능이 향상되는가?
• RQ5 전용 모발 제거 기법이 없을 경우 전체 세분화 성능에 어떤 영향을 미치는가?

주요 결과

• 최적화된 사전 처리를 적용한 YCbCr 색상 공간이 시험한 색상 표현 방식 중에서 가장 뛰어난 세분화 성능을 보였다.
• 병변 객체 특성 정보를 기반으로 훈련된 신경망이 Jaccard 지수 값을 성공적으로 예측하여, 세분화에 적합한 채널 선택에 효과적으로 기여하였다.
• 초기 Jaccard 예측 점수가 0.5 이하일 경우, 형태학적 연산을 적용함으로써 가장 적합한 채널에서 세분화 결과가 향상되었다.
• 전용 모발 제거 기법 없이도 사전 처리 및 후처리 기반으로 강건한 세분화 성능을 달성하였다.
• 최종 세분화 방법은 예측 Jaccard 지수가 가장 높은 채널을 기반으로 선택되었으며, 이는 하이브리드 접근 방식의 효과성을 입증하였다.