[논문 리뷰] Global and Local Information Based Deep Network for Skin Lesion Segmentation

Jin Qi, Miao Le외 2명|arXiv (Cornell University)|2017. 03. 16.

Cutaneous Melanoma Detection and Management참고 문헌 12인용 수 11

한 줄 요약

이 논문은 스킵 연결을 통한 다중 척도 예측 맵의 연결 기반 융합를 통해 국소적 및 전반적 맥락적 특징을 이용하여 피부 병변 분할을 위한 새로운 완전 컨volution 신경망(FCNN)을 제안한다. VGG-16을 사용한 전이 학습으로 훈련하고 ISBI 2017 챌린지 데이터셋으로 테스트한 결과, 사전/사후 처리 없이도 뛰어난 성능을 기록하였으며, 데이터 증강 및 이미지 리사이징 감소를 통해 향상 가능성이 있음을 시사한다.

ABSTRACT

With a large influx of dermoscopy images and a growing shortage of dermatologists, automatic dermoscopic image analysis plays an essential role in skin cancer diagnosis. In this paper, a new deep fully convolutional neural network (FCNN) is proposed to automatically segment melanoma out of skin images by end-to-end learning with only pixels and labels as inputs. Our proposed FCNN is capable of using both local and global information to segment melanoma by adopting skipping layers. The public benchmark database consisting of 150 validation images, 600 test images and 2000 training images in the melanoma detection challenge 2017 at International Symposium Biomedical Imaging 2017 is used to test the performance of our algorithm. All large size images (for example, $4000 imes 6000$ pixels) are reduced to much smaller images with $384 imes 384$ pixels (more than 10 times smaller). We got and submitted preliminary results to the challenge without any pre or post processing. The performance of our proposed method could be further improved by data augmentation and by avoiding image size reduction.

연구 동기 및 목표

• 저대비, 경계가 모호하고 잡음이 있는 도스코프 사진에서 자동 피부 병변 분할 문제를 해결하기 위해.
• 완전 컨volution 프레임워크 내에서 국소적 및 전반적 맥락 정보를 효과적으로 융합하여 분할 정확도를 향상시키기 위해.
• 의료 영상에서의 데이터 부족 문제를 완화하기 위해 전이 학습을 활용한 강건하고 엔드 투 엔드로 트레이닝 가능한 네트워크를 개발하기 위해.
• 실제 조건에서 공개된 ISBI 2017 피부 병변 분석 챌린지 데이터셋을 기반으로 성능을 평가하기 위해.

제안 방법

• 밀도 예측을 위해 완전 연결 계층을 컨volution 계층으로 대체한 사전 학습된 VGG-16 네트워크를 특징 추출에 사용한다.
• 각 풀링 계층 뒤에 스킵 연결을 도입하고, 각각 1×1 컨볼루션을 적용하여 다중 척도의 밀도 예측 맵을 생성한다 (병변/피부 2채널).
• 모든 예측 맵을 원본 입력 해상도(384×384)로 복원하기 위해 디컨볼루션 계층을 사용한다.
• 채널 차원에서 업샘플링된 맵들을 연결하여 다중 척도 특징 표현을 유지한다 (12채널 특징 맵).
• 결합된 특징 맵에 최종 1×1 컨볼루션 계층을 적용하여 최종 분할 출력을 생성한다.
• 전이 학습과 데이터 증강을 활용하여 SGD를 사용해 ISBI 2017 데이터셋에서 네트워크를 미세 조정한다.

실험 결과

연구 질문

• RQ1 완전 컨볼루션 네트워크가 도스코프 사진에서 피부 병변 분할 성능을 향상시키기 위해 국소적 및 전반적 맥락적 특징을 효과적으로 융합할 수 있는가?
• RQ2 다중 척도 예측 맵의 연결 기반 융합 방식이 요소별 합산 방식보다 분할 정확도 측면에서 어떻게 비교되는가?
• RQ3 ImageNet에서의 전이 학습은 제한된 의료 학습 데이터로 인한 성능 저하를 어느 정도 완화할 수 있는가?
• RQ4 이미지 리사이징은 분할 성능에 어떤 영향을 미치며, 큰 도스코프 이미지를 4000×6000에서 384×384 픽셀로 축소하지 않고도 더 나은 성능을 달성할 수 있는가?

주요 결과

• 제안된 방법은 사전/사후 처리 없이도 ISBI 2017 피부 병변 분석 챌린지 데이터셋에서 경쟁력 있는 분할 성능을 달성하였다.
• 정성적 결과는 저대비 이미지, 내부 변동성이 높은 병변, 헤어나 줄자 등의 잡음이 있는 이미지 등 도전적인 케이스에서도 강건한 분할 성능을 보였다.
• 연결 기반 융합 전략은 더 풍부한 다중 척도 특징 표현을 유지하여 국소적 및 전반적 특징의 구분 능력을 향상시켰다.
• 데이터 증강 및 4000×6000 픽셀에서 384×384 픽셀로의 이미지 크기 감소를 피할 경우 성능 향상이 크게 기대된다.