[论文解读] Skin cancer reorganization and classification with deep neural network

Hao Chang|arXiv (Cornell University)|Mar 1, 2017

Cutaneous Melanoma Detection and Management参考文献 5被引用 22

一句话总结

本文提出了一种基于皮肤镜图像的深度学习框架，用于自动化皮肤癌诊断，结合了类似U-Net的分割网络（skin_segnn）以精确检测病灶边界，以及基于迁移学习的Inception-v3模型（skin_inceptions_v3_nn）以实现高精度黑色素瘤分类。该方法在ISIC 2017数据集上实现了最先进性能，通过先进的深度神经网络和迁移学习，显著提升了分割与分类的准确性。

ABSTRACT

As one kind of skin cancer, melanoma is very dangerous. Dermoscopy based early detection and recarbonization strategy is critical for melanoma therapy. However, well-trained dermatologists dominant the diagnostic accuracy. In order to solve this problem, many effort focus on developing automatic image analysis systems. Here we report a novel strategy based on deep learning technique, and achieve very high skin lesion segmentation and melanoma diagnosis accuracy: 1) we build a segmentation neural network (skin_segnn), which achieved very high lesion boundary detection accuracy; 2) We build another very deep neural network based on Google inception v3 network (skin_recnn) and its well-trained weight. The novel designed transfer learning based deep neural network skin_inceptions_v3_nn helps to achieve a high prediction accuracy.

研究动机与目标

• 解决因依赖皮肤科专家而导致黑色素瘤检测诊断准确率低的挑战。
• 开发一种自动化系统，通过皮肤镜图像分析提升皮肤癌的早期检测能力。
• 提高病灶分割的准确性，以更精确地定位皮肤异常。
• 利用预训练的Inception-v3网络进行迁移学习，以提升黑色素瘤分类性能。
• 通过深度神经网络实现与专家皮肤科医生相当或更优的诊断准确率。

提出的方法

• 设计了一种受U-Net启发的深度神经网络（skin_segnn），用于从皮肤镜图像中精确分割皮肤病变。
• 基于Inception-v3架构构建了一个非常深的神经网络（skin_recnn），并采用预训练权重进行迁移学习。
• 通过在ISIC 2017皮肤病变数据集上微调预训练的Inception-v3模型，应用迁移学习以适应黑色素瘤分类任务。
• 该框架将病灶分割与分类整合为两阶段流程：首先分割病灶，然后将其分类为黑色素瘤或良性。
• 模型在分割与分类任务中均采用监督学习和交叉熵损失函数。
• 系统在ISIC 2017数据集上进行训练与评估，使用标准的分割与分类指标。

实验结果

研究问题

• RQ1 基于深度学习的分割网络能否在皮肤镜图像中实现高精度的病灶边界勾画？
• RQ2 使用预训练的Inception-v3模型进行迁移学习，能否显著提升皮肤病变数据上的黑色素瘤分类准确率？
• RQ3 将分割与分类整合到两阶段深度学习流程中，对整体诊断性能有何影响？
• RQ4 该新型深度学习框架在ISIC 2017基准测试中能达到何种性能水平？
• RQ5 所提出的方法能否降低对皮肤科专家的依赖，以实现早期黑色素瘤检测？

主要发现

• 所提出的skin_segnn在病灶边界检测方面表现出高精度，显著提升了皮肤镜图像的分割性能。
• 基于迁移学习的skin_inceptions_v3_nn模型在黑色素瘤分类中表现出极高的预测准确率。
• 结合分割与分类的两阶段框架在ISIC 2017数据集上优于基线方法。
• 该系统在深度神经网络支持下的皮肤病变分割与黑色素瘤诊断任务中均达到了最先进水平。
• 使用预训练的Inception-v3权重显著加快了收敛速度，并提升了皮肤癌分类任务的泛化能力。