[논문 리뷰] Skin Lesions Classification Using Convolutional Neural Networks in Clinical Images

Danilo Barros Mendes, Nilton Correia da Silva|arXiv (Cornell University)|2018. 12. 06.

Cutaneous Melanoma Detection and Management참고 문헌 22인용 수 45

한 줄 요약

이 논문은 ImageNet에서 사전 학습된 ResNet-152 CNN을 이용한 전이 학습과 대규모 데이터 증강으로 임상 이미지에서 12가지 피부 병변 유형을 분류하고, 높은 AUC를 달성하며(예: 멜라노마 0.96, 기저세포암 0.91) 총 정확도 78%를 달성한다.

ABSTRACT

Skin lesions are conditions that appear on a patient due to many different reasons. One of these can be because of an abnormal growth in skin tissue, defined as cancer. This disease plagues more than 14.1 million patients and had been the cause of more than 8.2 million deaths, worldwide. Therefore, the construction of a classification model for 12 lesions, including Malignant Melanoma and Basal Cell Carcinoma, is proposed. Furthermore, in this work, it is used a ResNet-152 architecture, which was trained over 3,797 images, later augmented by a factor of 29 times, using positional, scale, and lighting transformations. Finally, the network was tested with 956 images and achieve an area under the curve (AUC) of 0.96 for Melanoma and 0.91 for Basal Cell Carcinoma.

연구 동기 및 목표

• 임상의 진단 보조 및 오진 및 비용 감소를 위한 피부 병변 분류 향상 동기 부여.
• 임상(비-피부경) 영상으로 12 병변 클래스를 구분하는 CNN 기반 모델 개발.
• 전이 학습 및 광범위한 데이터 증강을 통해 데이터 희소성 해결.
• 모델 해석 가능성 조사로 신뢰 및 임상 채택 촉진.

제안 방법

• ImageNet 사전 학습 가중치를 백본으로 사용한 ResNet-152.
• 최종 층을 교체하여 12 병변 클래스를 출력하도록 네트워크를 미세 조정(파인튜닝).
• MED-NODE, Edinburgh, Atlas 데이터세트에서 데이터 증강을 크게 적용(증강 계수 29).
• 층화 샘플링으로 학습/검증/테스트 분할 구성 및 효율적 접근을 위한 LMDB 형식 데이터 준비.
• Caffe에서 하이퍼파라미터를 실험, base_lr=0.01, batch_size=5, 목표 10 epochs-equivalent 반복.
• 정확도, 혼동 행렬, AUC, ROC 곡선 및 최적 컷오프 포인트로 평가.
• GradCAM을 해석 가능성에 통합하여 병변 영역에 대한 모델 주안점을 시각화.

실험 결과

연구 질문

• RQ1 전이 학습으로 이질적인 임상 이미지 데이터셋에서 학습된 CNN이 12가지 피부 병변 유형을 높은 구분 능력으로 분류할 수 있는가?
• RQ2 의료 데이터의 희소성을 고려할 때 광범위한 데이터 증강이 성능에 어떤 영향을 미치는가?
• RQ3 GradCAM과 같은 해석 가능성 방법이 임상 신뢰 및 디버깅에 어떤 유용한 통찰을 제공하는가?

주요 결과

• 가장 우수한 모델은 MED-NODE, Edinburgh, Atlas 데이터세트의 증강 데이터를 사용한 ResNet-152를 활용하여 여러 병변에서 높은 AUC를 달성했다.
• Actinic Keratosis는 테스트에서 80% 이상의 정확도에 도달하지 못한 유일한 병변 유형이었고(전체 정확도 78%).
• AUC 비교에서 병변 간 경쟁력 있는 성능을 보였으며, 멜라노마 AUC는 약 0.96이고 다른 병변은 보고된 결과에서 0.90–0.99 범위에 이르는 것으로 나타났다.
• 전이 학습과 데이터 증강은 데이터 희소성 해결 및 이 의료 영상 과제에서 일반화 개선에 결정적이었다.
• GradCAM 기반 해석 가능성 분석은 예측을 주도하는 영역을 강조하고 오분류를 진단하는 데 도움이 되었다.