[논문 리뷰] Transfer Learning for Melanoma Detection: Participation in ISIC 2017 Skin Lesion Classification Challenge

Dennis H. Murphree, Che Ngufor|arXiv (Cornell University)|2017. 03. 15.

Cutaneous Melanoma Detection and Management참고 문헌 5인용 수 16

한 줄 요약

이 논문은 ISIC 2017 챌린지에서 피부암 검출을 위해 사전 훈련된 Inception V3를 사용한 전이 학습 방법을 제시한다. 특징 추출 및 다층 퍼셉트론에 대한 피니튜닝을 적용하여 평균 AUC 0.80을 달성하였으며, 각각의 분류 작업에서 seborrheic keratosis와 nevus/melanoma를 구분할 땐 0.84, melanoma와 nevus/seborrheic keratosis를 구분할 땐 0.76의 AUC를 기록하였다.

ABSTRACT

This manuscript describes our participation in the International Skin Imaging Collaboration's 2017 Skin Lesion Analysis Towards Melanoma Detection competition. We participated in Part 3: Lesion Classification. The two stated goals of this binary image classification challenge were to distinguish between (a) melanoma and (b) nevus and seborrheic keratosis, followed by distinguishing between (a) seborrheic keratosis and (b) nevus and melanoma. We chose a deep neural network approach with a transfer learning strategy, using a pre-trained Inception V3 network as both a feature extractor to provide input for a multi-layer perceptron as well as fine-tuning an augmented Inception network. This approach yielded validation set AUC's of 0.84 on the second task and 0.76 on the first task, for an average AUC of 0.80. We joined the competition unfortunately late, and we look forward to improving on these results.

연구 동기 및 목표

• 딥 러닝을 활용해 피부 병변을 피부암, 여드름, 및 seborrheic keratosis로 분류하는 데 도전하는 것.
• 제한된 훈련 데이터를 가진 의료 영상 분류에서 사전 훈련된 모델을 활용한 전이 학습의 효과를 평가하는 것.
• 피부암 대 비암성 병변, 그리고 seborrheic keratosis 대 nevus/피부암으로의 이진 분류 작업 성능을 향상시키는 것.
• 데이터 증강 및 피니튜닝이 피부도금 영상 분석에서 모델 일반화에 미치는 영향을 탐색하는 것.

제안 방법

• 전이 학습을 위해 사전 훈련된 Inception V3 네트워크를 특징 추출기로 활용하였다.
• 추출된 특징을 다층 퍼셉트론에 입력하여 분류를 수행하였다.
• 특정 피부 병변 데이터셋에 맞게 모델을 적응시키기 위해 증강된 Inception V3 네트워크에 대해 피니튜닝을 적용하였다.
• 모델의 강건성 향상과 과적합 방지를 위해 데이터 증강 기법을 적용하였다.
• ISIC 2017 데이터셋에서 훈련을 수행하였으며, 주로 두 가지 이진 분류 작업에 집중하였다.
• 검증 세트 AUC를 주요 평가 지표로 삼아 모델을 최적화하였다.

실험 결과

연구 질문

• RQ1 사전 훈련된 Inception V3 모델을 활용한 전이 학습이 낮은 데이터 환경에서 피부 병변 분류 성능을 효과적으로 향상시킬 수 있는가?
• RQ2 피부암과 비암성 병변을 구분할 때, 특징 추출만 하는 것과 비교해 Inception V3 네트워크의 피니튜닝이 어떤가?
• RQ3 피부도금 영상 분류 맥락에서 데이터 증강이 모델 일반화에 어떤 영향을 미치는가?
• RQ4 피부암을 먼저 구분하고, 그 다음에 nevus와 seborrheic keratosis를 분리하는 이중 단계 분류 작업에서 모델의 성능은 어떠한가?
• RQ5 전이 학습이 작은 의료 영상 데이터셋에서 과적합을 얼마나 효과적으로 완화하는가?

주요 결과

• 모델은 두 번째 분류 작업에서 seborrheic keratosis와 nevus, 피부암을 구분할 때 검증 세트 AUC 0.84를 달성하였다.
• 모델은 첫 번째 분류 작업에서 피부암과 nevus, seborrheic keratosis를 구분할 때 검증 세트 AUC 0.76를 기록하였다.
• 두 작업의 평균 AUC는 0.80으로, 이는 이진 분류 과제에서 강력한 전반적인 성능을 나타낸다.
• 데이터 증강과 함께 Inception V3 모델을 피니튜닝함으로써 일반화 능력과 검증 세트 성능이 향상되었다.
• 경쟁에 늦게 참가했음에도 불구하고 전이 학습 접근법이 효과적임을 입증하였으며, 향후 성능 향상 잠재력이 크다는 것을 시사한다.
• Inception V3 특징 위에 다층 퍼셉트론을 사용함으로써 강력하고 효율적인 분류 파이프라인을 제공하였다.