[論文レビュー] Automatic Detection and Classification of Tick-borne Skin Lesions using Deep Learning

Lauren Michelle Pfeifer, Matías Valdenegro-Toro|arXiv (Cornell University)|Nov 23, 2020

Viral Infections and Vectors参考文献 5被引用数 5

ひとこと要約

本研究では、複数の畳み込みニューラルネットワークアーキテクチャを用いた深層学習手法を提案し、多言語のGoogle画像検索を活用して、リムス・ボーン皮膚病変（特に発疹の移動性、マラリア虫刺し、健常皮膚）を自動で検出・分類する手法を検討した。収集された6,080枚の画像を用いた多様なデータセットを活用した結果、最も優れた性能を示したモデルDenseNet121は80.72%の正解率を達成し、皮膚色の多様性に配慮した一般化性能が向上し、データセットバイアスが低減された。

ABSTRACT

Around the globe, ticks are the culprit of transmitting a variety of bacterial, viral and parasitic diseases. The incidence of tick-borne diseases has drastically increased within the last decade, with annual cases of Lyme disease soaring to an estimated 300,000 in the United States alone. As a result, more efforts in improving lesion identification approaches and diagnostics for tick-borne illnesses is critical. The objective for this study is to build upon the approach used by Burlina et al. by using a variety of convolutional neural network models to detect tick-borne skin lesions. We expanded the data inputs by acquiring images from Google in seven different languages to test if this would diversify training data and improve the accuracy of skin lesion detection. The final dataset included nearly 6,080 images and was trained on a combination of architectures (ResNet 34, ResNet 50, VGG 19, and Dense Net 121). We obtained an accuracy of 80.72% with our model trained on the DenseNet 121 architecture.

研究の動機と目的

• リムス・ボーン皮膚病変の自動検出における正確性と公平性を向上させること、特にリムズ病関連の発疹の移動性を対象とすること。
• 皮膚色、皮膚の質感、および地理的多様性をカバーする訓練データの多様化を通じて、皮膚病変分類モデルのバイアスを低減すること。
• 二値分類にとどまらず、発疹の移動性、マラリア虫刺し、健常皮膚の3クラス分類モデルの開発を進める。
• 多言語検索クエリの影響が皮膚科画像分類におけるデータセットの多様性とモデル性能に与える影響を評価すること。
• 今後の研究を支援するため、多様性に富んだ多言語皮膚病変データセットの公開基盤を構築すること。

提案手法

• 英語、スペイン語、フランス語、ドイツ語、ポルトガル語、中国語、ロシア語の7か国語でGoogle画像検索を実施し、皮膚色や病変の外観の多様性を高める目的で、合計6,080枚の画像を収集した。
• 発疹の移動性、マラリア虫刺し、健常皮膚の3クラス分類データセットを構築し、健常皮膚は虫刺しや病変のない皮膚として定義した。
• ResNet34、ResNet50、VGG19、DenseNet121の4つの深層学習アーキテクチャを用いて、モデル間の性能を比較した。
• 多言語検索クエリを活用して、特に暗い皮膚色の被験者に焦点を当てたデータ多様性を向上させ、Google翻訳を用いて翻訳の正確性を確認した。
• 主に正解率を評価指標として用い、モデル間の比較を通じて最適なアーキテクチャを同定した。
• 今後の計画として、データセットの公開、SVM、InceptionV4、MobileNet、EfficientNetなどの代替モデルのテスト、アンサンブル学習のアプローチを検討している。

実験結果

リサーチクエスチョン

• RQ1 多言語画像検索戦略は、皮膚病変分類モデルの訓練データの多様性と代表性を向上させることができるか？
• RQ2 英語圏以外の地域からの画像を統合することで、異なる皮膚タイプや病変外観のモデル一般化性能が向上するか？
• RQ3 複数の深層学習アーキテクチャ間で、発疹の移動性、マラリア虫刺し、健常皮膚の分類性能に差異は生じるか？
• RQ4 皮膚色や質感に関連するデータセットバイアスが、皮膚科診断における深層学習モデルの正確性と公平性に与える影響は何か？
• RQ5 多言語データ収集戦略により、臨床的によく見られる誤分類（発疹の移動性をマラリア虫刺しと誤認する）を低減できるか？

主な発見

• DenseNet121アーキテクチャが、発疹の移動性、マラリア虫刺し、健常皮膚の分類において最高の正解率80.72%を達成した。
• ResNet34は2番目に高い正解率79.16%を記録したが、VGG19とResNet50はそれぞれ78.64%と53.12%を記録し、アーキテクチャの違いが性能に顕著に影響していることが示された。
• 多言語検索クエリの活用により、特に暗い皮膚色の被験者を含むデータセットの多様性が向上した。
• 単一言語で収集されたデータセットと比較して、皮膚色や質感の表現バイアスが低減され、特に白人以外の皮膚タイプのカバー率が向上した。
• 健常皮膚の正確な分類に課題が生じており、このクラスのための洗練された検索クエリとデータキュレーションの必要性が示された。
• 研究者らは、今後データセットを公開する計画であり、InceptionV4、MobileNet、EfficientNetなどの追加モデルの検討を通じて、さらなる性能向上を目指している。