[论文解读] Advanced Deep Learning Methodologies for Skin Cancer Classification in Prodromal Stages

Muhammad Ali Farooq, Asma Khatoon+2 more|arXiv (Cornell University)|Mar 13, 2020

Cutaneous Melanoma Detection and Management参考文献 8被引用 13

一句话总结

本研究提出了一种两阶段深度学习框架，用于使用Kaggle皮肤镜数据集对早期皮肤癌进行分类。通过锐化和去毛发预处理提升图像质量，随后应用Inception-v3和MobileNet模型，在优化后的图像上使用Inception-v3模型实现了86%的测试准确率，表明预处理与最先进架构的结合可显著提升性能。

ABSTRACT

Technology-assisted platforms provide reliable solutions in almost every field these days. One such important application in the medical field is the skin cancer classification in preliminary stages that need sensitive and precise data analysis. For the proposed study the Kaggle skin cancer dataset is utilized. The proposed study consists of two main phases. In the first phase, the images are preprocessed to remove the clutters thus producing a refined version of training images. To achieve that, a sharpening filter is applied followed by a hair removal algorithm. Different image quality measurement metrics including Peak Signal to Noise (PSNR), Mean Square Error (MSE), Maximum Absolute Squared Deviation (MXERR) and Energy Ratio/ Ratio of Squared Norms (L2RAT) are used to compare the overall image quality before and after applying preprocessing operations. The results from the aforementioned image quality metrics prove that image quality is not compromised however it is upgraded by applying the preprocessing operations. The second phase of the proposed research work incorporates deep learning methodologies that play an imperative role in accurate, precise and robust classification of the lesion mole. This has been reflected by using two state of the art deep learning models: Inception-v3 and MobileNet. The experimental results demonstrate notable improvement in train and validation accuracy by using the refined version of images of both the networks, however, the Inception-v3 network was able to achieve better validation accuracy thus it was finally selected to evaluate it on test data. The final test accuracy using state of art Inception-v3 network was 86%.

研究动机与目标

• 通过在前驱期阶段使用深度学习提高早期皮肤癌分类的准确性。
• 通过预处理提升皮肤镜图像质量，以减少噪声和伪影。
• 评估图像预处理对深度学习模型在皮肤癌分类中性能的影响。
• 比较Inception-v3和MobileNet在优化后皮肤镜图像上的分类表现。
• 通过先进的深度学习方法实现高精度、鲁棒的早期皮肤癌分类。

提出的方法

• 预处理包括应用锐化滤波器，随后使用去毛发算法，以增强图像清晰度并减少杂乱。
• 通过PSNR、MSE、MXERR和L2RAT指标定量评估图像质量，以验证改进效果。
• 在预处理后的皮肤镜图像上训练并验证两种最先进深度学习模型——Inception-v3和MobileNet。
• 在Kaggle皮肤癌数据集上训练和评估模型，性能通过训练和验证准确率进行衡量。
• 使用优化后的数据集重新训练两个模型，并选择表现最佳的模型架构进行最终测试评估。
• 由于Inception-v3在验证准确率上优于MobileNet，因此被选为最终测试模型。

实验结果

研究问题

• RQ1 对皮肤镜图像进行预处理是否能提升深度学习模型在早期皮肤癌分类中的性能？
• RQ2 在图像预处理后，Inception-v3与MobileNet在皮肤病变分类中的表现如何比较？
• RQ3 通过锐化和去毛发实现的图像质量增强在多大程度上影响了模型的泛化能力和准确率？
• RQ4 当应用于预处理后的图像时，最先进深度学习模型能否在前驱期皮肤癌分类中实现高准确率？
• RQ5 在结合图像预处理的前提下，何种深度学习架构最适合早期皮肤癌检测？

主要发现

• 图像预处理显著提升了图像质量，PSNR、MSE、MXERR和L2RAT指标证实了这一点，未出现质量下降，且有可测量的增强效果。
• Inception-v3和MobileNet在预处理后均表现出更高的训练和验证准确率，表明更清晰的输入数据具有积极影响。
• Inception-v3在验证准确率上优于MobileNet，因此被选为最终测试模型。
• Inception-v3模型在优化数据集上的最终测试准确率达到86%。
• 结果表明，结合预处理与先进深度学习架构可显著提升早期皮肤癌检测的分类性能。
• 本研究证实，图像质量增强是提升皮肤镜图像分析中深度学习结果的关键步骤。