[論文レビュー] Advanced Deep Learning Methodologies for Skin Cancer Classification in Prodromal Stages

Muhammad Ali Farooq, Asma Khatoon+2 more|arXiv (Cornell University)|Mar 13, 2020

Cutaneous Melanoma Detection and Management参考文献 8被引用数 13

ひとこと要約

本研究では、Kaggleの皮膚鏡画像データセットを用いて、初期段階の皮膚がん分類のための2段階のディーブラーニングフレームワークを提案する。画像の鮮明化と毛髪除去による前処理で画像品質を向上させた後、Inception-v3およびMobileNetモデルを適用し、精錬された画像上でInception-v3が86％のテスト精度を達成した。前処理と最先端のアーキテクチャの組み合わせにより、性能が向上していることが示された。

ABSTRACT

Technology-assisted platforms provide reliable solutions in almost every field these days. One such important application in the medical field is the skin cancer classification in preliminary stages that need sensitive and precise data analysis. For the proposed study the Kaggle skin cancer dataset is utilized. The proposed study consists of two main phases. In the first phase, the images are preprocessed to remove the clutters thus producing a refined version of training images. To achieve that, a sharpening filter is applied followed by a hair removal algorithm. Different image quality measurement metrics including Peak Signal to Noise (PSNR), Mean Square Error (MSE), Maximum Absolute Squared Deviation (MXERR) and Energy Ratio/ Ratio of Squared Norms (L2RAT) are used to compare the overall image quality before and after applying preprocessing operations. The results from the aforementioned image quality metrics prove that image quality is not compromised however it is upgraded by applying the preprocessing operations. The second phase of the proposed research work incorporates deep learning methodologies that play an imperative role in accurate, precise and robust classification of the lesion mole. This has been reflected by using two state of the art deep learning models: Inception-v3 and MobileNet. The experimental results demonstrate notable improvement in train and validation accuracy by using the refined version of images of both the networks, however, the Inception-v3 network was able to achieve better validation accuracy thus it was finally selected to evaluate it on test data. The final test accuracy using state of art Inception-v3 network was 86%.

研究の動機と目的

• 前駆症状期の皮膚がん分類の精度を、ディープラーニングを用いて向上させること。
• ノイズやアーチファクトを低減するため、皮膚鏡画像の画像品質を前処理によって向上させること。
• 皮膚がん分類におけるディープラーニングモデルの性能に与える画像前処理の影響を評価すること。
• 精錬された皮膚鏡画像上で、Inception-v3とMobileNetの性能を比較すること。
• 高度なディープラーニング手法を用いて、初期段階の皮膚がんを高精度かつ頑健に分類すること。

提案手法

• 前処理は、画像の鮮明さを向上させ、ごみを低減するため、シャープフィルタを適用した後、毛髪除去アルゴリズムを適用する。
• 画像品質は、PSNR、MSE、MXERR、L2RATの指標を用いて定量的に評価され、改善が裏付けられた。
• 最先端の2つのディープラーニングモデル—Inception-v3およびMobileNet—を、精錬された皮膚鏡画像上で訓練および検証する。
• モデルはKaggleの皮膚がんデータセット上で訓練および評価され、訓練および検証精度によって性能が測定される。
• 精錬されたデータセットを用いて両モデルを再訓練し、最も優れた性能を示したアーキテクチャを最終テスト評価用に選定する。
• MobileNetよりも高い検証精度を示したため、Inception-v3が最終テスト用に選定された。

実験結果

リサーチクエスチョン

• RQ1 皮膚鏡画像の前処理は、初期段階の皮膚がん分類におけるディープラーニングモデルの性能を向上させるか？
• RQ2 画像前処理後の皮膚がん病変分類において、Inception-v3とMobileNetはどのように比較されるか？
• RQ3 シャープ化および毛髪除去による画像品質向上は、モデルの一般化能力および精度にどの程度影響を与えるか？
• RQ4 最先端のディープラーニングモデルは、精錬された画像に適用された場合、前駆症状期の皮膚がん分類で高精度を達成できるか？
• RQ5 画像前処理と組み合わせた場合、初期皮膚がん検出に最適なディープラーニングアーキテクチャは何か？

主な発見

• PSNR、MSE、MXERR、L2RATの指標により、画像前処理が画像品質を顕著に向上させたことが確認された。劣化はなく、測定可能な向上が見られた。
• Inception-v3およびMobileNetの両モデルが、前処理後、訓練および検証精度が向上した。これは、クリアな入力データがもたらす肯定的影響を示している。
• 検証精度においてInception-v3がMobileNetを上回ったため、最終テストに選定された。
• Inception-v3モデルが精錬されたデータセット上で最終テストで86％の精度を達成した。
• 結果から、前処理と高度なディープラーニングアーキテクチャの組み合わせが、初期皮膚がん検出における分類性能を向上させることを示している。
• 本研究は、画像品質向上が皮膚鏡画像解析におけるディープラーニングの成果を向上させる上で極めて重要なステップであることを確認した。