[논문 리뷰] Skin Lesion Segmentation Using Atrous Convolution via DeepLab v3

Yujie Wang, Simon Sun외 2명|arXiv (Cornell University)|2018. 07. 24.

Cutaneous Melanoma Detection and Management참고 문헌 6인용 수 12

한 줄 요약

이 논문은 딥랩 v3와 어트로스 컨볼루션을 사용하여 피부 병변 분할을 수행하며, ISIC 2018 챌린지 데이터셋에 모델을 적응시킨다. 호환성 문제와 제한된 훈련에도 불구하고, 평균 재현율 지수는 0.498을 기록하여 더 긴 훈련과 하이퍼파라미터 튜닝을 통해 향상될 여지가 있음을 시사한다.

ABSTRACT

As melanoma diagnoses increase across the US, automated efforts to identify malignant lesions become increasingly of interest to the research community. Segmentation of dermoscopic images is the first step in this process, thus accuracy is crucial. Although techniques utilizing convolutional neural networks have been used in the past for lesion segmentation, we present a solution employing the recently published DeepLab 3, an atrous convolution method for image segmentation. Although the results produced by this run are not ideal, with a mean Jaccard index of 0.498, we believe that with further adjustments and modifications to the compatibility with the DeepLab code and with training on more powerful processing units, this method may achieve better results in future trials.

연구 동기 및 목표

• 최신 의미 분할 기술을 활용한 자동 피부 병변 분할을 위한 딥러닝 기반 접근법을 개발하기 위해.
• 어트로스 컨볼루션을 사용하는 딥랩 v3 프레임워크를 ISIC 2018 도스코프 이미지 데이터셋에 적응시켜 병변 분할을 수행하기 위해.
• 재현율 지수를 주요 평가 지표로 사용하여 적응된 모델의 성능을 평가하기 위해.
• ISIC 데이터셋을 딥랩 코드베이스와 통합하는 데 발생하는 구현 문제를 식별하고 해결책을 제안하기 위해.
• 학습률, 손실 가중치, 훈련 스텝 수와 같은 하이퍼파라미터가 분할 정확도에 미치는 영향을 탐색하기 위해.

제안 방법

• 모델은 공간 해상도를 유지하면서 감지 범위를 확장하는 데모(어트로스) 컨볼루션을 기반으로 한 의미 분할 프레임워크인 딥랩 v3를 사용한다.
• 다양한 비율을 가진 어트로스 컨볼루션을 피라미드 풀링 모듈에서 병렬로 적용하여 다중 척도의 맥락 정보를 포착한다.
• 사전 훈련된 ImageNet 가중치를 PASCAL VOC 데이터셋에서 가져와 네트워크를 미세조정하였으며, 초기 학습률은 0.001, 전경 손실 가중치는 100으로 설정하였다.
• ISIC 데이터셋은 이미지를 513×513로 리사이징하고, 텐서플로우 기반 딥랩과의 호환성을 확보하기 위해 TFRecord 형식으로 변환하여 사전 처리하였다.
• 예측 결과와 진짜 마스크 간의 픽셀 수준 겹침을 비교하여 각 예측의 재현율 지수를 계산하기 위해 맞춤형 평가 스크립트를 개발하였다.
• 원본 이미지의 차원으로 예측 결과를 재스케일링하고, ISIC 챌린지 형식 요구사항을 충족시키기 위해 색상 조정을 위해 후처리 스크립트를 사용하였다.

실험 결과

연구 질문

• RQ1 어트로스 컨볼루션을 사용한 딥랩 v3 아키텍처는 도스코프 이미지에서 효과적인 피부 병변 분할을 달성할 수 있는가?
• RQ2 딥랩 v3의 성능은 ISIC 2018 데이터셋에서 이전의 CNN 기반 방법과 비교해 어떻게 되는가?
• RQ3 딥랩 v3 코드베이스를 ISIC 데이터셋에 적응시키는 데 발생하는 주요 과제는 무엇이며, 이를 어떻게 완화할 수 있는가?
• RQ4 학습률과 손실 가중치와 같은 하이퍼파라미터 선택이 분할 정확도에 얼마나 큰 영향을 미치는가?
• RQ5 더 긴 훈련과 하이퍼파라미터 튜닝을 통해 현재 기준점인 0.498을 초월하는 재현율 지수를 달성할 수 있는가?

주요 결과

• 963장의 테스트 이미지에서 평균 재현율 지수는 0.498을 기록하였으며, 중앙값은 0.500, 표준편차는 0.273이었다.
• 963장의 이미지 중 약 34.787%만 재현율 지수 0.650 이상을 달성하여 분할 성공률이 제한적임을 시사했다.
• 균일한 조명과 헤어, 모낭 등의 잡음이 적은 고품질 이미지에서 모델의 성능이 가장 우수했다.
• 주요 오류 원인은 어트로스 컨볼루션 접근법의 본질적 한계가 아니라, 구현 및 호환성 문제에 기인하였다.
• 특히 100 스텝 이상의 장기 훈련이 이루어질 경우 성능 향상이 기대되며, 저자들은 향후 성과 향상 가능성을 믿고 있다.
• 딥랩 내장 평가 기능의 한계로 인해 맞춤형 평가 및 후처리 스크립트가 반드시 필요하였다.