[논문 리뷰] Skin lesion segmentation using U-Net and good training strategies

Fred Guth, Teofilo E. deCampos|arXiv (Cornell University)|2018. 11. 27.

Cutaneous Melanoma Detection and Management참고 문헌 6인용 수 5

한 줄 요약

이 논문은 피부 병변 분할을 위한 U-Net34 기반 모델과 고도화된 훈련 전략을 제안하며, ISIC 2018 챌린지에서 77.5%의 임계 Jaccard 지수를 달성한다. 이 방법은 전이 학습, 피라미드 훈련, 사이클릭 학습률, 모델 앙상블를 결합하여 기준 U-Net 접근 방식에 비해 분할 정확도를 크게 향상시킨다.

ABSTRACT

In this paper we approach the problem of skin lesion segmentation using a convolutional neural network based on the U-Net architecture. We present a set of training strategies that had a significant impact on the performance of this model. We evaluated this method on the ISIC Challenge 2018 - Skin Lesion Analysis Towards Melanoma Detection, obtaining threshold Jaccard index of 77.5%.

연구 동기 및 목표

• 초기 색소세포 피부암 탐지에 위한 딥러닝을 활용한 피부 병변 분할 정확도 향상.
• 최신 훈련 전략이 피부내시경 영상에서 U-Net 기반 분할에 미치는 영향 평가.
• 분할 분야에서 ISIC 2018 피부 병변 분석 챌린지에서 최신 기술 수준 성능 달성.
• 작은 병변 탐지 및 모호한 진단 기준 문제를 견고한 훈련 기법으로 해결하기

제안 방법

• 모델는 사전 훈련된 ResNet34 백본을 인코더 경로로 사용하는 U-Net34 아키텍처를 사용한다.
• ImageNet 가중치로 훈련된 ResNet34 인코더를 미세조정하여 전이 학습을 수행한다.
• 피라미드 전이 전략을 통해 먼저 128×128 이미지에서, 그 다음로 256×256 및 512×512 이미지에서 점진적으로 훈련하여 특징 학습을 향상시킨다.
• 수렴 속도를 가속화하고 일반화 성능을 향상시키기 위해 기울기 있는 삼각형 학습률(SLTR) 스케줄을 사용한다.
• 초기 실험에서 소프트 Jaccard 변형보다 성능이 뛰어나므로 손실 함수로 로짓을 사용한 이진 교차 엔트로피를 사용한다.
• 세 번의 교차 검증에서 BestDice(최고의 단일 모델) 및 앙상블 전략을 모두 활용하여 모델 선택을 수행한다.

실험 결과

연구 질문

• RQ1 현대적인 훈련 전략을 적용한 U-Net34 아키텍처가 ISIC 2018 데이터셋에서 피부 병변 분할 성능을 향상시킬 수 있는가?
• RQ2 피라미드 훈련과 학습률 스케줄링은 분할 정확도와 수렴 속도에 어떤 영향을 미치는가?
• RQ3 검증 세트에서 단일 모델 선택 대비 앙상블 학습이 일반화 성능을 향상시키는가?
• RQ4 ImageNet에서의 전이 학습이 작은 병변이나 모호한 피부 병변의 분할 성능 향상에 얼마나 효과적인가?

주요 결과

• 앙상블 전략은 검증 세트에서 85.39%의 Jaccard 지수와 78.43%의 임계 Jaccard 지수(65% 커프트 기준)를 달성했다.
• BestDice 전략은 ISIC 2018 테스트 세트에서 공식 온라인 점수로 75.5%의 Jaccard 지수를 기록했다.
• 2017년 최고 순위 참가자(76.5% 평균 Jaccard 지수 달성)를 능가하여 뚜렷한 성능 향상을 입증했다.
• 모델는 작은 병변과 펜 자국, 유리 등 잡음 요소 탐지에 가장 어려움을 겪어 미세한 국소화 능력에 한계가 있음을 시사한다.
• 시각적 분석 결과, 많은 경우에서 세그멘테이션 결과가 진단 기준과 거의 구분되지 않았지만, 오류는 주로 모호하거나 대trast가 낮은 영역에서 발생했다.