[논문 리뷰] Spatially Aware Melanoma Segmentation Using Hybrid Deep Learning Techniques

Mohamed Attia, Mustafa Hossny외 2명|arXiv (Cornell University)|2017. 02. 26.

Cutaneous Melanoma Detection and ManagementMedicine참고 문헌 2인용 수 16

한 줄 요약

이 논문은 전역 합성곱 신경망(CNNs)과 순환 신경망(RNNs)을 조합한 하이브리드 딥 러닝 모델을 제안하여 피부병변 분할에서 공간 정확도를 향상시킨다. CNN 인코딩 이후 비중첩 이미지 패치 간의 공간적 의존성을 RNN으로 모델링함으로써, 후처리 없이도 헤어 및 마커와 같은 잡음에 강건하며, ISBI 2017 챌린지에서 FCN 및 SegNet을 능가하는 성능을 달성한다. Jaccard 지수 0.93과 Dice 계수 0.96를 기록한다.

ABSTRACT

In this paper, we proposed using a hybrid method that utilises deep convolutional and recurrent neural networks for accurate delineation of skin lesion of images supplied with ISBI 2017 lesion segmentation challenge. The proposed method was trained using 1800 images and tested on 150 images from ISBI 2017 challenge.

연구 동기 및 목표

• 완전 합성곱 신경망에서 굵은 max-pooling으로 인한 과다 분할 문제를 해결하기 위해.
• 특징 간 의존성의 순환 모델링을 통해 병변 경계 선명도를 향상시키기 위해.
• 헤어, 마커, 저대비와 같은 일반적인 영상 잡음에 강건한 방법을 개발하기 위해.
• 분할 결과에서 후처리 또는 대trast 강화가 필요 없도록 하기 위해.

제안 방법

• 입력 이미지에서 깊은 특징을 추출하기 위해 7개의 합성곱 층 인코더와 2개의 max-pooling 층을 사용한다.
• 입력 특징 맵을 겹치지 않는 패치로 나누고, 이를 평탄화하여 4방향 RNN(Horizontal 및 Vertical 스윕)에 입력하여 공간적 맥락을 모델링한다.
• 양방향 공간 의존성을 포착하기 위해 전진 및 역방향 방향(예: 왼쪽에서 오른쪽, 오른쪽에서 왼쪽)으로 RNN을 결합하여 처리한다.
• RNN 출력을 연결하여 디코어레이션에 사용할 수 있는 맵 기반 특징으로 활용하고, 분수 스트라이드 합성곱을 사용한 디코어레이션 디코더를 통해 마스크 재구성한다.
• 계산 효율적인 스트라이드 합성곱을 통해 CNN 및 RNN 구성 요소의 공동 학습을 가능하게 한다.
• 학습된 디코어레이션 층을 사용하여 입력 해상도 수준에서 최종 분할 마스크를 재구성한다.

실험 결과

연구 질문

• RQ1 순환 신경망이 피부병변 분할에서 병변 경계 정확도 향상에 기여하기 위해 특징 맵 간의 공간적 의존성을 효과적으로 모델링할 수 있는가?
• RQ2 CNN과 RNN을 조합한 모델이 기존의 FCN 및 SegNet 아키텍처에 비해 과다 분할을 줄이는가?
• RQ3 후처리 없이도 헤어나 마커와 같은 잡음이 있는 저대비 병변에서도 높은 정확도를 유지할 수 있는가?
• RQ4 ISBI 2017 벤치마크에서 제안된 방법이 FCN 및 SegNet과 같은 최신 기술 모델에 비해 정량적으로 어떻게 비교되는가?

주요 결과

• 제안된 방법은 ISBI 2017 테스트 세트에서 Jaccard 지수 0.93을 기록하여 SegNet(0.86) 및 FCN(0.86)을 뛰어넘는 성능을 보였다.
• 모델은 Dice 계수 0.96를 기록하여 지도 분할 마스크와의 높은 겹침을 나타냈다.
• 민감도는 0.954에 도달하여 어려운 케이스에서도 병변 영역을 강력하게 탐지함을 보여주었다.
• SegNet과 달리 대trast 강화나 후처리 없이도 정확한 분할 결과를 생성하였다.
• 시각적 결과는 헤어 차폐, 마커 잡음, 저대비 병변에 대한 강건성을 확인했다.
• 높은 특이도(0.94)와 정확도(0.98)를 유지하여 다양한 병변 유형에서 신뢰할 수 있는 성능을 보였다.