[논문 리뷰] Automatic Lesion Boundary Segmentation in Dermoscopic Images with Ensemble Deep Learning Methods

Manu Goyal, Oakley, Amanda외 3명|arXiv (Cornell University)|2019. 02. 02.

Cutaneous Melanoma Detection and Management참고 문헌 35인용 수 6

한 줄 요약

이 논문은 모낭-RCNN과 DeepLabv3+를 조합한 앙상블 딥러닝 프레임워크를 제안하여 피부 병변 경계를 자동으로 분할한다. ISIC-2017 데이터셋에서 학습하고 ISIC-2017 및 PH2 데이터셋에서 평가한 결과, 최고의 앙상블 방법은 Jaccard 지수 79.58%를 기록하여 U-Net, FCN, SegNet과 같은 최신 기술 모델들을 상당한 격차로 앞서며 성능을 뛰어넘었다.

ABSTRACT

Early detection of skin cancer, particularly melanoma, is crucial to enable advanced treatment. Due to the rapid growth in the numbers of skin cancers, there is a growing need of computerized analysis for skin lesions. The state-of-the-art public available datasets for skin lesions are often accompanied with very limited amount of segmentation ground truth labeling as it is laborious and expensive. The lesion boundary segmentation is vital to locate the lesion accurately in dermoscopic images and lesion diagnosis of different skin lesion types. In this work, we propose the use of fully automated deep learning ensemble methods for accurate lesion boundary segmentation in dermoscopic images. We trained the Mask-RCNN and DeepLabv3+ methods on ISIC-2017 segmentation training set and evaluate the performance of the ensemble networks on ISIC-2017 testing set. Our results showed that the best proposed ensemble method segmented the skin lesions with Jaccard index of 79.58% for the ISIC-2017 testing set. The proposed ensemble method outperformed FrCN, FCN, U-Net, and SegNet in Jaccard Index by 2.48%, 7.42%, 17.95%, and 9.96% respectively. Furthermore, the proposed ensemble method achieved an accuracy of 95.6% for some representative clinically benign cases, 90.78% for the melanoma cases, and 91.29% for the seborrheic keratosis cases on ISIC-2017 testing set, exhibiting better performance than FrCN, FCN, U-Net, and SegNet.

연구 동기 및 목표

• 피부 병변 데이터셋에서 제한된 정답 분할 주석 문제를 해결하기 위해 완전 자동화된 딥러닝 솔루션을 개발한다.
• 딥러닝 앙상블를 활용해 악성흑색종 및 기타 피부 병변 유형의 병변 경계 분할 정확도를 향상시킨다.
• PH2 데이터셋을 사용하여 제안된 방법의 교차 데이터셋 일반화 능력을 평가한다.
• U-Net, FCN, SegNet과 같은 기존 최신 기술 모델들을 키워드 성능 지표에서 능가한다.
• 정확한 병변 국소화를 통해 컴퓨터 지원 진단의 정확도를 높이고 ABCD 규칙 시스템을 지원한다.

제안 방법

• 이 방법은 두 가지 최신 딥러닝 모델인 Mask-RCNN(개체 분할용)과 DeepLabv3+(세마틱 분할용)의 앙상블을 사용한다.
• 예측 결과를 평균화 전략(Ensemble-ADD)을 통해 조합하여 분할 정확도와 내성 향상한다.
• 사전 처리로는 다양한 장치 및 조명 조건에서의 피부 내시경 영상 외관을 정규화하기 위한 색상 일관성 알고리즘을 적용한다.
• 사후 처리로는 분할 마스크를 정제하고 노이즈를 제거하기 위해 형태학적 영상 처리 기법을 적용한다.
• 모델는 전이 학습을 사용하고 표준 딥러닝 손실 함수로 최적화하여 ISIC-2017 학습 세트에서 엔드 투 엔드로 학습된다.
• 성능 평가는 ISIC-2017 및 PH2 테스트 세트에서 Jaccard 지수, Dice 계수, 민감도, 특이도 등의 표준 지표를 사용하여 평가된다.

실험 결과

연구 질문

• RQ1 Mask-RCNN과 DeepLabv3+의 앙상블이 개별 모델 대비 피부 병변 경계 분할 정확도를 향상시킬 수 있는가?
• RQ2 제안된 앙상블 방법은 ISIC-2017 분할 경연에서 최고 성능을 낸 모델들과 비교해 어떻게 성능을 내는가?
• RQ3 제안된 방법은 PH2와 같은 외부 데이터셋으로 일반화가 잘 되는가? 이는 다양한 영상 조건에서의 내성성을 시사한다.
• RQ4 색상 일관성 처리와 형태학적 연산을 통한 사후 처리가 분할 품질 향상에 어느 정도 기여하는가?
• RQ5 앙상블 방법은 악성흑색종, 나에우스, 지루성 각성증 등 다양한 병변 유형에서 높은 성능을 달성할 수 있는가?

주요 결과

• 제안된 앙상블 방법은 ISIC-2017 테스트 세트에서 Jaccard 지수 79.58%를 기록하여 U-Net보다 17.95%포인트 높은 성능을 보였다.
• Ensemble-A는 ISIC-2017 테스트 세트에서 가장 높은 민감도(82.53%)와 Dice 점수(86.33%)를 기록하여 병변 탐지 성능이 뛰어났다.
• PH2 데이터셋에서 Ensemble-S 버전은 Jaccard 지수 83.9%를 기록하여 FCN-16s, DeepLabv3+, Mask-RCNN를 모두 앞섰다.
• 임상적으로 양성인 경우(나에우스)는 95.6%의 정확도를, 악성흑색종의 경우는 ISIC-2017에서 90.78%의 정확도를 기록했다.
• 앙상블 방법는 다른 모델들보다 뛰어난 특이도(97.94%)를 보이며 부정적 예측 성능이 뛰어났다.
• 이 방법은 강력한 교차 데이터셋 일반화 능력을 보였으며, Ensemble-A가 ISIC-2017에서 최고 성능이었지만, Ensemble-S는 PH2 데이터셋에서 최고 성능을 기록했다.