[論文レビュー] Region of Interest Detection in Dermoscopic Images for Natural Data-augmentation

Manu Goyal, Moi Hoon Yap|arXiv (Cornell University)|Jan 1, 2018

Cutaneous Melanoma Detection and Management参考文献 22被引用数 19

ひとこと要約

本稿では、Faster R-CNNおよびSSDとInceptionV2アーキテクチャを用いたエンドツーエンドの領域の注目（ROI）検出を皮膚画像に適用し、最先端のセグメンテーション手法を上回る優れた局所化性能を達成した。検出されたROIは自然なデータ拡張を可能にし、病変の診断およびセグメンテーションを向上させ、リアルタイムのスマートフォンアプリケーションにより実用的応用の可能性が示された。

ABSTRACT

With the rapid growth of medical imaging research, there is a great interest in the automated detection of skin lesions with computer algorithms. The state-of-the-art datasets for skin lesions are often accompanied with very limited amount of ground truth labeling as it is laborious and expensive. The Region Of Interest (ROI) detection is vital to locate the lesion accurately and must be robust to subtle features of different skin lesion types. In this work, we propose the use of two object localization meta-architectures for end-to-end ROI skin lesion detection in dermoscopic images. We trained the Faster-RCNN-InceptionV2 and SSD-InceptionV2 on the ISBI-2017 training dataset and evaluated their performance on the ISBI-2017 testing set, PH2 and HAM10000 datasets. Since there was no earlier work in ROI detection for skin lesion with CNNs, we compared the performance of skin localization methods with the state-of-the-art segmentation method. The localization methods proved superior to the segmentation method in ROI detection on skin lesion datasets. In addition, based on the detected ROI, an automated natural data-augmentation method is proposed and used as pre-processing in the lesion diagnosis and segmentation task. To further demonstrate the potential of our work, we developed a real-time smart-phone application for automated skin lesions detection.

研究の動機と目的

• 皮膚病変データセットにおける限られた正解ラベルの問題に対処するため、ROI検出を自動化してアノテーション負荷を軽減する。
• 微細な皮膚病変特徴に特化した深層学習ベースのオブジェクト検出モデルを活用し、病変の局所化精度を向上させる。
• 検出されたROIを基に自然なデータ拡張パイプラインを構築し、病変診断およびセグメンテーションタスクの性能を向上させる。
• リアルタイムのスマートフォンアプリケーションを通じて、実世界での応用可能性を実証する。
• CNNベースのアプローチにおいてこれまで未解決であった分野であった皮膚画像におけるROI検出のベンチマークを確立する。

提案手法

• 皮膚画像におけるROI局所化に、エンドツーエンドのオブジェクト検出メタアーキテクチャとしてFaster R-CNN-InceptionV2およびSSD-InceptionV2を採用した。
• 皮膚病変を領域の注目（ROI）として検出するために、ISBI-2017トレーニングデータセット上でモデルを学習した。
• 汎化性能を確保するため、ISBI-2017テストセット、PH2、HAM10000データセットを用いてモデルの性能を評価した。
• 下流の診断およびセグメンテーションタスクにおける前処理として、検出されたROIを入力とする自然なデータ拡張戦略を設計した。
• ROI検出パイプラインをリアルタイムのスマートフォンアプリケーションに統合し、デバイス内での病変検出および可視化を実現した。
• 特徴抽出および検出のロバスト性を向上させるために、事前学習済みのInceptionV2バックボーンを用いたトランスファーラーニングを実施した。

実験結果

リサーチクエスチョン

• RQ1 Faster R-CNN や SSD といったオブジェクト検出モデルは、高い精度で皮膚画像における皮膚病変を局所化できるか？
• RQ2 皮膚病変データセットにおいて、ROI検出の性能は最先端のセグメンテーション手法と比べてどうか？
• RQ3 ROIに基づく自然なデータ拡張は、病変診断およびセグメンテーションモデルの性能をどの程度向上できるか？
• RQ4 エンドツーエンドのROI検出システムは、モバイルプラットフォーム上でリアルタイムに効果的にデプロイ可能か？
• RQ5 ROI検出は、異なるデータセットにおける病変外観の微細な変化に対してモデルのロバスト性を向上させるか？

主な発見

• 提案されたROI検出手法は、複数のベンチマークデータセットにおいて、最先端のセグメンテーション手法を上回る皮膚病変の局所化性能を示した。
• Faster R-CNN-InceptionV2およびSSD-InceptionV2は、ISBI-2017、PH2、HAM10000データセットで高い検出精度を達成し、強力な汎化性能を示した。
• ROIに基づく自然なデータ拡張パイプラインにより、下流の診断およびセグメンテーションタスクの性能が、現実的で病変中心の拡張を導入することで向上した。
• リアルタイムのスマートフォンアプリケーションは、低遅延でデバイス内での病変検出を成功裏に実装した。
• 本研究により、皮膚画像における皮膚病変の局所化において、セグメンテーションの代替としてROI検出が実用的かつ効果的であることが立証された。
• CNNベースの皮膚病変ROI検出に関する先行研究の不在は、本アプローチの新規性と潜在的インパクトを強調している。