[论文解读] A Dense CNN approach for skin lesion classification

Pierluigi Carcagnì, Andrea Cuna+1 more|arXiv (Cornell University)|Jul 17, 2018

Cutaneous Melanoma Detection and Management参考文献 3被引用 4

一句话总结

该论文提出了一种基于61层DenseNet的卷积神经网络，并采用中心损失正则化训练策略，用于从皮肤镜图像中分类七种类型的皮肤病变。通过在ISIC 2018数据集上对预训练的DenseNet-121进行微调，结合使用软最大函数损失和中心损失函数（λ = 0.8），该模型在验证集上达到了89.2%的准确率，表现出更强的特征判别能力，并在黑色素瘤和良性病变分类任务中表现优异。

ABSTRACT

This article presents a Deep CNN, based on the DenseNet architecture jointly with a highly discriminating learning methodology, in order to classify seven kinds of skin lesions: Melanoma, Melanocytic nevus, Basal cell carcinoma, Actinic keratosis / Bowen's disease, Benign keratosis, Dermatofibroma, Vascular lesion. In particular a 61 layers DenseNet, pre-trained on IMAGENET dataset, has been fine-tuned on ISIC 2018 Task 3 Challenge Dataset exploiting a Center Loss function.

研究动机与目标

• 开发一种深度学习模型，用于自动分类皮肤镜图像中的七种皮肤病变类型。
• 通过使用中心损失正则化技术，提升皮肤病变分类中的特征可分性。
• 在无需大量预处理的情况下，实现在ISIC 2018挑战赛任务3数据集上的高性能表现。
• 评估在微调的DenseNet架构中结合软最大函数损失与中心损失的有效性。
• 探究数据增强和训练策略对不平衡皮肤病变数据集中模型泛化能力的影响。

提出的方法

• 通过将DenseNet-121的密集块数量从4个减少到3个，并在第三个密集块后截断，构建了一个61层的DenseNet-121变体，最终的密集块层数由48层减少为22层。
• 网络使用ImageNet预训练权重初始化，并在ISIC 2018挑战赛数据集上使用随机梯度下降（SGD）进行微调，基础初始速率设为0.01，权重衰减为0.0001，动量为0.9。
• 采用混合损失函数，结合交叉熵软最大函数损失（L_s）与中心损失（L_c），通过平衡超参数λ = 0.8，以优化类内紧凑性和类间分离性。
• 通过几何变换（旋转、翻转、仿射变换）应用数据增强，以平衡各类别分布并增加训练样本数量。
• 将输入图像裁剪为正方形并缩放至224×224像素，以匹配网络的输入要求。
• 在微调过程中，仅对最终全连接层进行从头训练，其余所有早期层均被冻结。

实验结果

研究问题

• RQ1 基于DenseNet的卷积神经网络结合中心损失正则化，能否提升对多种皮肤病变类型的分类准确率？
• RQ2 软最大函数损失与中心损失的结合，在皮肤病变分类中如何影响特征聚类与类间分离？
• RQ3 数据增强在不平衡皮肤病变数据集上的性能提升程度如何？
• RQ4 在无需复杂预处理的情况下，对预训练的DenseNet在皮肤镜图像上进行微调，是否能实现高性能表现？
• RQ5 在皮肤病变诊断中，软最大函数损失与中心损失之间应如何最优平衡，以最大化验证集准确率？

主要发现

• 所提出的模型在ISIC 2018任务3数据集上实现了89.2%的整体验证准确率，表明在所有病变类型中均表现出色。
• 使用λ = 0.8的中心损失显著增强了类内紧凑性，提升了模型的判别能力。
• 经过数据增强后，训练集包含295,375张图像，测试集包含74,004张图像，七种病变类型在各类别间分布均衡。
• 该模型在极少预处理条件下表现优异，仅依赖图像缩放和数据增强。
• 最终网络结构（61层，三个密集块）在捕捉皮肤镜图像的层次化特征方面表现高效。
• 结果表明，中心损失正则化在数据量有限且分布不均的医学图像分类任务中尤为有效。