[논문 리뷰] Araguaia Medical Vision Lab at ISIC 2017 Skin Lesion Classification Challenge

Rafael T. Sousa, Larissa Vasconcellos de Moraes|arXiv (Cornell University)|2017. 03. 02.

Cutaneous Melanoma Detection and Management인용 수 6

한 줄 요약

이 논문은 Araguaia Medical Vision Lab에서 ISIC 2017 챌린지에서 피부 병변을 분류하기 위해 최적화된 딥 컨volution 네트워크(DCNN)를 사용한 접근 방식을 제시한다. 팀은 데이터 증강과 학습률 스케줄링을 적용한 GoogleNet 및 AlexNet 아키텍처를 활용하여, Seborrheic Keratosis의 AUC가 0.950, Melanoma의 AUC가 0.846에 도달했으며, 클래스 불균형에도 불구하고 뛰어난 성능을 보였다.

ABSTRACT

This paper describes the participation of Araguaia Medical Vision Lab at the International Skin Imaging Collaboration 2017 Skin Lesion Challenge. We describe the use of deep convolutional neural networks in attempt to classify images of Melanoma and Seborrheic Keratosis lesions. With use of finetuned GoogleNet and AlexNet we attained results of 0.950 and 0.846 AUC on Seborrheic Keratosis and Melanoma respectively.

연구 동기 및 목표

• 딥 러닝을 사용하여 Melanoma와 Seborrheic Keratosis의 자동 피부 병변 분류 시스템을 개발하기 위해.
• 데이터 증강과 전이 학습을 통해 데이터셋 불균형을 해결하고 일반화 능력을 향상시키기 위해.
• ISIC 2017 피부 병변 분류 챌린지에서 사전 훈련된 CNN(GoogleNet과 AlexNet)의 성능을 평가하기 위해.
• 학습률과 네트워크 아키텍처와 같은 하이퍼파라미터를 최적화하여 AUC와 정확도를 향상시키기 위해.
• 불균형 피부 병변 데이터셋에서 민감도와 특이도의 균형을 맞추기 위해 앙상블 모델링의 영향을 조사하기 위해.

제안 방법

• 전이 학습을 사용하여 ISIC 2017 데이터셋에서 사전 훈련된 AlexNet과 GoogleNet 모델을 최적화했다.
• 랜덤 시어, 줌, 이동, 플립 등의 데이터 증강 기법을 적용하여 훈련 데이터의 다양성을 높이고 불균형을 줄였다.
• Seborrheic Keratosis 작업의 경우 350×350으로, Melanoma 작업의 경우 224×224로 이미지를 리사이징하여 네트워크 입력 요구 사항을 충족시켰다.
• 스티ochastic gradient descent(SGD)를 사용하였으며, AlexNet의 경우 세 단계 학습률 감소(0.001 → 0.0001 → 0.00001)를 적용하고, GoogleNet의 경우 다중 단계 학습률 스케줄링을 적용했다.
• 세 모델(GoogleNet 256, GoogleNet 224, AlexNet 224)의 앙상블 평균을 사용하여 예측의 강건성과 클래스 균형을 향상시켰다.
• Caffe 딥 러닝 프레임워크를 사용하여 Nvidia Digits 플랫폼에서 모델을 훈련시켰다.

실험 결과

연구 질문

• RQ1 최적화된 딥 컨volution 네트워크는 도스코프 이미지에서 Melanoma와 Seborrheic Keratosis를 높은 성능으로 분류할 수 있는가?
• RQ2 불균형 피부 병변 데이터셋이 존재하는 상황에서 데이터 증강은 모델의 일반화 능력에 어떤 영향을 미치는가?
• RQ3 AlexNet과 GoogleNet을 피부 병변 분류 작업에 훈련시키기 위한 최적의 학습률 스케줄링은 무엇인가?
• RQ4 다양한 사전 훈련된 네트워크를 앙상블 모델링하면 개별 모델 대비 AUC와 민감도를 향상시킬 수 있는가?
• RQ5 클래스 불균형으로 인해 Melanoma와 Seborrheic Keratosis 클래스 간 모델 성능 지표(AUC, 민감도, 특이도)는 어떻게 달라지는가?

주요 결과

• Seborrheic Keratosis 분류 모델은 ISIC 검증 세트에서 AUC가 0.950을 기록했으며, 정확도 89.3%, 민감도 78.6%, 특이도 93.5%를 달성했다.
• Melanoma 분류 모델은 ISIC 검증 세트에서 AUC가 0.846을 기록했으며, 정확도 84.7%, 민감도 63.3%, 특이도 90.0%를 달성했다.
• 가장 높은 성능을 보인 Seborrheic Keratosis 모델은 350×350 이미지에서 훈련된 AlexNet 아키텍처와 세 단계 학습률 감소 전략을 사용했다.
• Melanoma 모델은 GoogleNet 256, GoogleNet 224, AlexNet 224의 세 모델 앙상블 평균을 통해 최고의 성능을 달성했다.
• 높은 특이도에도 불구하고 Melanoma의 민감도는 낮은 편이었으며, 이는 훈련 세트에서 양성 샘플 수가 적기 때문일 것이다.
• 데이터 증강은 효과적인 데이터셋 크기를 크게 증가시켰고, 특히 드문 클래스에 대해 모델의 일반화 능력을 향상시켰다.