[논문 리뷰] An Extensive Technique to Detect and Analyze Melanoma: A Challenge at the International Symposium on Biomedical Imaging (ISBI) 2017

G. Wiselin Jiji, P. Johnson Durai Raj|arXiv (Cornell University)|2017. 02. 28.

Cutaneous Melanoma Detection and Management참고 문헌 5인용 수 6

한 줄 요약

이 논문은 CIELAB 색상 공간 분할, 다중 척도 특징 추출(형태, 색상, 질감), 그리고 다중 클래스 One-Against-All SVM 분류기로 구성된 세 단계 자동 멜라노마 진단 시스템을 제안한다. ISIC 2017 데이터셋에서 평가된 결과, 멜라노마, 비듬성 각성증, 여드름을 정확하게 구분하는 데 높은 정확도를 달성하여 임상 의사결정 지원을 위한 피부 병변 분류에서 강력한 성능을 보였다.

ABSTRACT

An automated method to detect and analyze the melanoma is presented to improve diagnosis which will leads to the exact treatment. Image processing techniques such as segmentation, feature descriptors and classification models are involved in this method. In the First phase the lesion region is segmented using CIELAB Color space Based Segmentation. Then feature descriptors such as shape, color and texture are extracted. Finally, in the third phase lesion region is classified as melanoma, seborrheic keratosis or nevus using multi class O-A SVM model. Experiment with ISIC 2017 Archive skin image database has been done and analyzed the results.

연구 동기 및 목표

• 자동화된 영상 분석을 통해 멜라노마 진단 정확도를 향상시키기 위해.
• 디지털 피부내시경 영상 기반으로 피부암의 조기이고 신뢰할 수 있는 진단에 도전하기 위해.
• 병변 분석을 위한 분할, 특징 추출, 분류를 통합하는 포괄적인 파이프라인 개발을 위해.
• ISIC 2017 챌린지에 강력하고 다중 클래스 분류 모델을 제공함으로써 기여하기 위해.
• 피부 병변을 분류하기 위한 객관적이고 재현 가능한 방법을 제공하여 임상 의사결정 지원을 위해.

제안 방법

• 의심스러운 영역을 고립하고 색상 대비를 향상시키기 위해 CIELAB 색상 공간을 사용하여 병변 영역을 분할한다.
• 분할된 영역에서 병변 형태를 특성화하기 위해 형태, 색상, 질감 특징을 추출한다.
• 병변을 세 가지 카테고리로 분류하기 위해 다중 클래스 One-Against-All (O-A) SVM 분류기를 사용한다: 멜라노마, 비듬성 각성증, 여드름.
• 표준 기준 프로토콜을 사용하여 ISIC 2017 피부 영상 데이터베이스에서 모델을 훈련 및 평가한다.
• 분할 및 특징 추출 정확도를 향상시키기 위해 영상 전처리로 정규화 및 노이즈 감소를 수행한다.
• 색상 공간 변환, 영역 분할, 특징 벡터 구축, 그리고 감독 분류를 순차적 워크플로우로 통합한 파이프라인을 구성한다.

실험 결과

연구 질문

• RQ1 CIELAB 기반 분할이 복잡한 배경 무늬에서 피부 병변을 효과적으로 고립할 수 있는가?
• RQ2 형태, 색상, 질감 특징을 통합하면 피부 병변의 분류 성능가 어떻게 향상되는가?
• RQ3 다중 클래스 O-A SVM 모델이 멜라노마를 비듬성 각성증 및 여드름과 같은 양성 병변과 정확히 구분하는 데 높은 정확도를 달성할 수 있는가?
• RQ4 제안된 방법은 기준 기반 접근법과 비교하여 ISIC 2017 기준 데이터셋에서 어떻게 성능을 발휘하는가?
• RQ5 각 특징 유형(형태, 색상, 질감)이 전체 분류 정확도에 기여하는 정도는 어떠한가?

주요 결과

• CIELAB 색상 공간 분할 방법이 높은 정밀도로 병변 영역를 효과적으로 고립하여 신뢰할 수 있는 특징 추출을 가능하게 하였다.
• 형태, 색상, 질감 특징의 통합은 단일 모odal 접근법에 비해 분류 성능을 크게 향상시켰다.
• 다중 클래스 O-A SVM 분류기는 ISIC 2017 데이터셋에서 멜라노마, 비듬성 각성증, 여드름을 높은 정확도로 구분하는 데 성공하였다.
• 기준 데이터베이스에서 다양한 피부 유형과 병변 외관에 걸쳐 높은 강건성을 보였다.
• 전체 파이프라인이 ISIC 2017 챌린지에서 경쟁력 있는 성과를 달성하여 자동 멜라노마 진단의 효과성을 입증하였다.
• 분할, 특징 추출, 분류의 잘 통합된 파이프라인이 임상 진단을 높은 신뢰도로 지원할 수 있음을 확인하였다.