[論文レビュー] Skin Cancer Segmentation and Classification Using Vision Transformer for Automatic Analysis in Dermatoscopy-based Non-invasive Digital System

Galib Muhammad Shahriar Himel, Md. Masudul Islam+3 more|arXiv (Cornell University)|Jan 9, 2024

Cutaneous Melanoma Detection and Management被引用数 5

ひとこと要約

本論文は HAM10000 データセットを用いた皮膚がん分類における Vision Transformer ベースのアプローチを提案し、Segmentation Anything Model が病変のセグメンテーションを補助し、ViT patch-32 バリアントで 96.15% の精度を達成します。

ABSTRACT

Skin cancer is a global health concern, necessitating early and accurate diagnosis for improved patient outcomes. This study introduces a groundbreaking approach to skin cancer classification, employing the Vision Transformer, a state-of-the-art deep learning architecture renowned for its success in diverse image analysis tasks. Utilizing the HAM10000 dataset of 10,015 meticulously annotated skin lesion images, the model undergoes preprocessing for enhanced robustness. The Vision Transformer, adapted to the skin cancer classification task, leverages the self-attention mechanism to capture intricate spatial dependencies, achieving superior performance over traditional deep learning architectures. Segment Anything Model aids in precise segmentation of cancerous areas, attaining high IOU and Dice Coefficient. Extensive experiments highlight the model's supremacy, particularly the Google-based ViT patch-32 variant, which achieves 96.15% accuracy and showcases potential as an effective tool for dermatologists in skin cancer diagnosis, contributing to advancements in dermatological practices.

研究の動機と目的

• 患者のアウトカム向上のために、早期かつ正確な皮膚がん診断を動機づける。
• 皮膚科画像解析に適した ViT ベースの枠組みを提案する。
• 分類向上のために癌性領域を区画するセグメンテーションを統合する。
• 前処理と自己注意機構を通じて頑健性を評価する。

提案手法

• 頑健性のために 10,015 枚の注釈付き皮膚病変画像を含む HAM10000 データセットを前処理する。
• 空間的依存性を捉える自己注意を活用して、皮膚がん分類へ Vision Transformer を適用する。
• Segmentation Anything Model を用いて癌性領域を正確にセグメーションする。
• ViT patch-32 variant（Google ベース）を従来のアーキテクチャと比較して性能を評価する。
• 精度やセグメンテーション品質（IOU、Dice Coefficient）などの指標を報告する。

実験結果

リサーチクエスチョン

• RQ1 皮膚科診断用の皮膚病変画像から、自己注意を持つ Vision Transformer は従来の深層学習モデルを上回れるか？
• RQ2 このパイプラインで Segmentation Anything Model は癌性領域の正確な境界決定にどのように寄与するか？
• RQ3 HAM10000 ベースの分類における前処理がモデルの頑健性と性能に与える影響は何か？
• RQ4 このタスクにおいて最も良い分類精度をもたらす ViT バリアントはどれか？

主な発見

• ViT patch-32 バリアントは皮膚がん分類タスクで 96.15% の精度を達成。
• Segmentation Anything Model は高い IOU および Dice Coefficient で癌性領域の正確なセグメンテーションを可能にする。
• Vision Transformer は本タスクにおいて従来の深層学習アーキテクチャより優れた性能を示す。
• このアプローチは皮膚科専門医の皮膚がん診断を支援する可能性を示している。