[論文レビュー] Automatic segmentation of skin lesions using deep learning

Joshua P. Ebenezer, Jagath C. Rajapakse|arXiv (Cornell University)|Jul 13, 2018

Cutaneous Melanoma Detection and Management参考文献 6被引用数 5

ひとこと要約

本論文では、ISIC 2018データ上で学習された、修正されたU-Netアーキテクチャを用いた深層学習フレームワークを提示している。入力画像に対して強度、色、テクスチャの前処理を施し、マスクの精緻化のための形態的後処理を適用した。検証データ上で0.756のしきい値付きJaccardインデックスを達成し、病変境界検出の分野で最先端の性能を示した。

ABSTRACT

This paper summarizes the method used in our submission to Task 1 of the International Skin Imaging Collaboration's (ISIC) Skin Lesion Analysis Towards Melanoma Detection challenge held in 2018. We used a fully automated method to accurately segment lesion boundaries from dermoscopic images. A U-net deep learning network is trained on publicly available data from ISIC. We introduce the use of intensity, color, and texture enhancement operations as pre-processing steps and morphological operations and contour identification as post-processing steps.

研究の動機と目的

• 皮膚腫瘍の境界を、皮膚画像診断における自動的で完全畳み込み型の手法により、正確に分離すること。
• 深層学習処理の前段階で、画像コントラスト、色の正確性、テクスチャの詳細を向上させることで、分離性能を向上させること。
• 低コントラストおよび病変縁辺周辺の皮膚色と類似する色調による病変境界検出の課題に対処すること。
• 積極的なデータ拡張とアンサンブル学習により、モデルの頑健性と一般化性能を確保すること。
• 臨床皮膚科画像診断に適用可能な、シンプルで高速かつ効率的なパイプラインを提供すること。

提案手法

• 元のU-Netと同一の入出力空間次元を有し、各層のフィルタ数を半分にした、修正されたU-Netアーキテクチャを採用している。
• 五チャネル入力特徴量を生成：三つの色再現型色強調RGBチャネル、コントラスト強調型強度チャネル、テクスチャ強調型強度チャネル。
• 前処理には、レイヤー差分2次元ヒストグラム表現による強度コントラスト強調、ガムット違反を回避するための色再現型色強調、および順序v=0.5の分数階微分マスクを用いたマルチスケールテクスチャ強調が含まれる。
• 後処理には、5×5の正方形構造要素を用いた形態的オープニングおよびクロージャー処理を実施し、ノイズや穴を除去した後、最大の連結コンターを選択して最終マスクとする。
• ネットワークは、学習率1e-4、L2正則化、Dice係数に基づくバイナリクロスエントロピー損失を用いたAdam最適化アルゴリズムで学習された。
• アンサンブル推論は、異なるランダムなデータ分割で30個の別個のネットワークを学習し、3つの25モデルグループの予測を平均化することで実施された。

実験結果

リサーチクエスチョン

• RQ1 マルチモーダル画像前処理は、皮膚腫瘍分離における深層学習モデルの性能を顕著に向上させることができるか？
• RQ2 強度、色、テクスチャ強調の統合は、皮膚画像におけるU-Netベース分離の一般化性能と精度にどのように影響を与えるか？
• RQ3 形態的後処理とコンター選択は、予測された病変マスクの連結性と品質をどの程度向上させることができるか？
• RQ4 データ拡張を施した独立して学習されたU-Netのアンサンブルは、単一モデルベースラインを上回る性能を示すか？
• RQ5 フィルタ数を削減し、入出力サイズを同じにした修正U-Netアーキテクチャは、推論効率を向上させつつも、高い性能を維持できるか？

主な発見

• 提案手法は、ISIC 2018検証セットで0.756のしきい値付きJaccardインデックスを達成した。別々の3つのアンサンブル提出による追加スコアは、それぞれ0.750および0.746であった。
• しきい値付きJaccardインデックスは、元のJaccardインデックスが0.65未満の場合0と定義され、それ以外は元の値と等しくなる。これは、低信頼度予測に対しても頑健であることを示している。
• 色再現型色、コントラスト強調型強度、テクスチャ強調型強度を統合した五チャネル入力の使用は、単一チャネルまたは強調なし入力と比較して、顕著に分離品質を向上させた。
• 積極的なオンラインデータ拡張（ランダム回転、反転、ズーム）が、モデルの一般化性能と頑健性の向上に寄与した。
• フィルタ数を削減し、入出力サイズを同じにした修正U-Netアーキテクチャは、標準化された128×128解像度でのエンドツーエンドの学習と推論を可能にしながら、高い性能を維持した。
• 形態的処理と最大連結コンター選択による後処理は、小さなアーチファクトや穴を効果的に除去し、より解剖学的に妥当な病変マスクを生成した。