[논문 리뷰] The Fast and Accurate Approach to Detection and Segmentation of Melanoma Skin Cancer using Fine-tuned Yolov3 and SegNet Based on Deep Transfer Learning

Mohamad Taghizadeh, Karim Mohammadi|arXiv (Cornell University)|2022. 10. 11.

Cutaneous Melanoma Detection and Management인용 수 5

한 줄 요약

이 논문은 전이 학습을 사용하여 ISIC 2018 데이터셋에서 검출 시 96%의 mAP, 분할 시 95.16%의 정확도를 달성한 두 단계의 딥러닝 파이프라인을 제안한다. 이는 정밀하게 튜닝된 YOLOv3를 사용한 빠르고 정확한 멜라노마 병변 탐지와 정밀하게 튜닝된 SegNet을 사용한 정확한 분할을 조합한다.

ABSTRACT

Melanoma is one of the most serious skin cancers that can occur in any part of the human skin. Early diagnosis of melanoma lesions will significantly increase their chances of being cured. Improving melanoma segmentation will help doctors or surgical robots remove the lesion more accurately from body parts. Recently, the learning-based segmentation methods achieved desired results in image segmentation compared to traditional algorithms. This study proposes a new approach to improve melanoma skin lesions detection and segmentation by defining a two-step pipeline based on deep learning models. Our methods were evaluated on ISIC 2018 (Skin Lesion Analysis Towards Melanoma Detection Challenge Dataset) well-known dataset. The proposed methods consist of two main parts for real-time detection of lesion location and segmentation. In the detection section, the location of the skin lesion is precisely detected by the fine-tuned You Only Look Once version 3 (F-YOLOv3) and then fed into the fine-tuned Segmentation Network (F-SegNet). Skin lesion localization helps to reduce the unnecessary calculation of whole images for segmentation. The results show that our proposed F-YOLOv3 performs better at 96% in mean Average Precision (mAP). Compared to state-of-the-art segmentation approaches, our F-SegNet achieves higher performance with 95.16% accuracy.

연구 동기 및 목표

• 환자의 생존율을 향상시키기 위해 조기이고 정확한 멜라노마 진단이 필요한 핵심적인 요구사항을 해결한다.
• 기존의 분할 방법의 한계를 극복하기 위해 딥러닝을 활용하여 병변 경계의 정확한 국소화를 향상시킨다.
• 병변 영역이 탐지된 후에만 분할을 수행함으로써 계산 부담을 줄이는 실시간이고 효율적인 파이프라인을 개발한다.
• 다양하고 방대한 피부 병변 데이터셋에서 전이 학습을 사용하여 SegNet을 정밀하게 튜닝함으로써 분할 정확도를 향상시킨다.
• 통합된 딥러닝 프레임워크를 사용하여 멜라노마 피부암의 탐지 및 분할 작업에서 최신 기술 수준의 성능을 달성한다.

제안 방법

• 이미지넷 사전 학습 가중치를 활용하여 ISIC 2018 데이터셋에서 YOLOv3를 정밀하게 튜닝(F-YOLOv3)하여 고정밀도와 고속도로 멜라노마 병변을 탐지한다.
• F-YOLOv3의 바운딩 박스 출력을 사용하여 병변 영역에 이미지 입력을 자르고 집중함으로써 분할에 대한 계산 부담을 줄인다.
• 전이 학습을 사용하여 동일한 데이터셋에서 SegNet을 정밀하게 튜닝(F-SegNet)하여 멜라노마 병변의 픽셀 단위 분할을 수행한다.
• 일반화 능력 향상과 제한된 의료 영상 데이터에서의 성능 향상을 위해 데이터 증강 및 전이 학습 기법을 적용한다.
• 두 단계 파이프라인 설계: 먼저 F-YOLOv3를 통해 탐지 수행, 그 다음에 자른 병변 영역에서 F-SegNet을 통해 분할 수행.
• 모델 수렴 및 분할 정확도 향상을 위해 교차 엔트로피 손실과 Adam 옵timizer를 사용하여 두 모델을 최적화한다.

실험 결과

연구 질문

• RQ1 객체 탐지와 의미 분할을 조합한 두 단계의 딥러닝 파이프라인은 단일 단계 방법에 비해 멜라노마 병변 탐지 및 분할 정확도를 향상시킬 수 있는가?
• RQ2 전이 학습을 사용하여 YOLOv3를 정밀하게 튜닝하면 ISIC 2018 데이터셋에서 탐지 mAP가 얼마나 향상되는가?
• RQ3 정밀하게 튜닝된 SegNet의 성능은 멜라노마 병변 분할에서 최신 기술 수준의 분할 모델과 비교해 어떻게 되는가?
• RQ4 탐지된 병변 영역에만 집중하여 분할을 수행하면 계산 비용을 크게 줄일 수 있으며 동시에 높은 정확도를 유지할 수 있는가?
• RQ5 전이 학습과 데이터 증강은 의료용 피부 병변 분할에서 모델의 일반화 능력에 어떤 영향을 미치는가?

주요 결과

• 제안된 F-YOLOv3는 ISIC 2018 데이터셋에서 평균 정밀도(mAP) 96%를 달성하여 많은 기존 탐지 모델을 능가했다.
• 정밀하게 튜닝된 SegNet(F-SegNet)은 분할 정확도 95.16%를 달성하여 최신 기술 수준의 분할 접근 방식보다 뛰어난 성능을 보였다.
• 두 단계 파이프라인은 F-YOLOv3가 탐지한 병변 영역에만 분할을 적용함으로써 불필요한 계산을 크게 줄였다.
• 이미지넷 사전 학습 가중치를 사용한 전이 학습은 제한된 의료 영상 데이터셋에서 모델 수렴과 성능 향상에 크게 기여했다.
• F-YOLOv3와 F-SegNet의 통합은 실시간 탐지와 고정밀도 분할을 가능하게 하여 임상 적용에 적합했다.
• 결과적으로 객체 탐지와 의미 분할을 전이 학습을 통해 조합하는 전략이 멜라노마 진단에 매우 효과적인 것으로 확인되었다.