[論文レビュー] Dense Fully Convolutional Network for Skin Lesion Segmentation.

Ebrahim Nasr-Esfahani, Shima Rafiee+6 more|arXiv (Cornell University)|Dec 29, 2017

Cutaneous Melanoma Detection and Management参考文献 29被引用数 9

ひとこと要約

本稿では、非皮膚鏡画像における正確な皮膚腫瘍分離のため、新しい密なプーリング層を備えた密度的完全畳み込みネットワークを提案する。従来のネットワークとは異なり、密なプーリング層は入力特徴をすべて保持するため、正確な境界検出が可能となり、DermQuestデータセットにおいて91.6%のDiceスコアを達成し、すべての最先端手法を上回った。

ABSTRACT

Skin cancer is a deadly disease and is on the rise in the world. Computerized diagnosis of skin cancer can accelerate the detection of this type of cancer that is a key point in increasing the survival rate of patients. Lesion segmentation in skin images is an important step in computerized detection of the skin cancer. Existing methods for this aim usually lack accuracy especially in fuzzy borders of lesions. In this paper, we propose a new class of fully convolutional networks with novel dense pooling layers for segmentation of lesion regions in non-dermoscopic images. Unlike other existing convolutional networks, the proposed dense pooling layers are designed to preserve all of the input features. This has led to highly accurate segmentation of lesions. Our proposed method produces dice score of 91.6% which outperforms all state-of-the-art algorithms in segmentation of skin lesions based on the Dermquest dataset.

研究の動機と目的

• 境界がぼやけた、または明確でない腫瘍の分離が不正確である皮膚がん診断の課題に対処すること。
• 皮膚鏡画像よりもアクセスしやすく、解析が難しい非皮膚鏡皮膚画像における分離性能を向上させること。
• 新しい特徴保持型プーリング層を用いて空間的詳細を保持する完全畳み込みネットワークアーキテクチャを開発すること。
• 早期かつ正確な皮膚がん検出を支援するため、腫瘍分離で最先端の性能を達成すること。

提案手法

• 非皮膚鏡画像における皮膚腫瘍分離に特化した新しいクラスの完全畳み込みネットワーク（FCN）を提案する。
• 選択的なダウンサンプリングではなく、すべての入力特徴を保持する密なプーリング層を導入し、空間分解能と詳細を維持する。
• エンコーダ・デコーダ構造全体で高分解能の特徴マップを維持するネットワークアーキテクチャを設計し、境界の局所化を向上させる。
• 標準の分離損失関数を用いてDermQuestデータセット上でエンドツーエンドにネットワークを学習させ、腫瘍境界の正確性を最適化する。
• プーリング機構における密接な接続を通じて、各層からの完全な特徴表現を活用し、特徴学習を強化する。
• エンコーダとデコーダブロック間のスキップ接続を活用し、低レベル特徴と高レベル特徴を統合して正確な分離を実現する。

実験結果

リサーチクエスチョン

• RQ1 密なプーリング層を備えた完全畳み込みネットワークは、非皮膚鏡画像におけるぼやけた境界の皮膚腫瘍分離精度を向上させることができるか？
• RQ2 プーリング層で入力特徴をすべて保持することは、標準的なマックスプーリングや平均プーリングと比較して、腫瘍境界検出にどのように影響するか？
• RQ3 提案されたアーキテクチャは、DermQuestデータセットにおいて、既存の最先端手法をどの程度上回るか？
• RQ4 提案手法は、照明や解像度が異なる実臨床画像に対しても十分に一般化できるか？

主な発見

• 提案手法は、DermQuestデータセットで91.6%のDiceスコアを達成し、皮膚腫瘍分離分野における最先端手法の中で最高の報告結果となった。
• 密なプーリング層は空間的詳細を効果的に保持しており、境界が不明瞭またはぼやけた腫瘍の分離性能が優れた。
• 推論プロセス全体で高分解能の特徴マップを維持できる能力のおかげで、既存のFCNベースの手法を上回った。
• 非皮膚鏡画像に対する一般化性能が強く、皮膚鏡画像よりも臨床現場で一般的に使用されている画像に適している。
• 標準的なプーリング機構と比較して、境界の漏れが顕著に減少し、局所化の正確性が向上した。
• 結果から、プーリング層における特徴の保持が、挑戦的な皮膚腫瘍症例における分離性能向上の鍵要因であることが確認された。