[論文レビュー] Skin Lesions Classification Using Convolutional Neural Networks in Clinical Images

Danilo Barros Mendes, Nilton Correia da Silva|arXiv (Cornell University)|Dec 6, 2018

Cutaneous Melanoma Detection and Management参考文献 22被引用数 45

ひとこと要約

本論文は ImageNet で事前学習済みの ResNet-152 CNN を用い、転移学習と大規模なデータ拡張により臨床画像から12種類の皮膚病変を分類し、AUC が高く（例：悪性黒色腫 0.96、基底細胞癌 0.91 など）、全体の正確度は 78% に達する。

ABSTRACT

Skin lesions are conditions that appear on a patient due to many different reasons. One of these can be because of an abnormal growth in skin tissue, defined as cancer. This disease plagues more than 14.1 million patients and had been the cause of more than 8.2 million deaths, worldwide. Therefore, the construction of a classification model for 12 lesions, including Malignant Melanoma and Basal Cell Carcinoma, is proposed. Furthermore, in this work, it is used a ResNet-152 architecture, which was trained over 3,797 images, later augmented by a factor of 29 times, using positional, scale, and lighting transformations. Finally, the network was tested with 956 images and achieve an area under the curve (AUC) of 0.96 for Melanoma and 0.91 for Basal Cell Carcinoma.

研究の動機と目的

• 臨床医の支援と誤診・費用の削減を目的とした皮膚病変分類の改善を促進する。
• 臨床的（皮膚鏡検査を用いない）画像を用いて12の病変カテゴリを識別する CNN ベースのモデルを開発する。
• 転移学習と大規模なデータ拡張を通じてデータ不足に対処する。
• 信頼性と臨床導入を促進するためのモデル解釈性を検討する。

提案手法

• バックボーンとして ImageNet で事前学習済みの ResNet-152 を用いる。
• 最終層を置換して12病変クラスを出力するようネットワークを微調整する。
• MED-NODE、Edinburgh、Atlas データセット全体にわたって大規模なデータ拡張（29 倍）を適用する。
• 層化抽出で訓練/検証/テスト分割を構築し、効率的なアクセスのために LMDB 形式でデータを準備する。
• Caffe で base_lr=0.01、batch_size=5、目的の10エポック相当の反復を含むハイパーパラメータを試す。
• 正確度、混同行列、AUC、ROC曲線、最適なカットオフ点を用いて評価する。
• 解釈性のため GradCAM を組み込み、病変領域へのモデルの焦点を可視化する。

実験結果

リサーチクエスチョン

• RQ1 異種の臨床画像データセットで転移学習を用いて訓練した CNN は、12 種類の皮膚病変を高い識別能力で分類できるか。
• RQ2 医療データの不足を念頭に置いた場合、広範なデータ拡張は性能にどのように影響するか。
• RQ3 臨床的信頼性とデバッグに有用な洞察を提供する解釈可能性手法（例：GradCAM）は何か。

主な発見

• 最良のモデルは MED-NODE、Edinburgh、Atlas データセットの拡張データを用いた ResNet-152 を使用し、いくつかの病変で高い AUC を達成した。
• 日光性角化症はテストで80%以上の正確度を達成できなかった唯一の病変タイプで（全体で78% 正確度）。
• AUC の比較は病変間で競争力のある性能を示し、悪性黒色腫の AUC は約 0.96、他の病変は0.90–0.99の範囲。
• 転移学習とデータ拡張はデータ不足に対処し、この医用画像タスクの一般化を改善するために不可欠だった。
• GradCAM ベースの解釈性分析は予測を導く領域を明示し、誤分類の診断に役立った。