[论文解读] An Automatic Diagnosis Method of Facial Acne Vulgaris Based on Convolutional Neural Network

Xiaolei Shen, Jiachi Zhang+2 more|arXiv (Cornell University)|Nov 13, 2017

melanin and skin pigmentation参考文献 2被引用 6

一句话总结

本文提出了一种基于深度学习的面部寻常性痤疮自动诊断系统，采用预训练的VGG16卷积神经网络对七种痤疮类型（包括健康皮肤）进行分类，实现了鲁棒的皮肤检测与详细的病变分类。该方法通过迁移学习在小样本数据集上优于自定义CNN，展示了在临床图像分析中高准确率与良好的泛化能力。

ABSTRACT

In this paper, we present a new automatic diagnosis method of facial acne vulgaris based on convolutional neural network. This method is proposed to overcome the shortcoming of classification types in previous methods. The core of our method is to extract features of images based on convolutional neural network and achieve classification by classifier. We design a binary classifier of skin-and-non-skin to detect skin area and a seven-classifier to achieve the classification of facial acne vulgaris and healthy skin. In the experiment, we compared the effectiveness of our convolutional neural network and the pre-trained VGG16 neural network on the ImageNet dataset. And we use the ROC curve and normal confusion matrix to evaluate the performance of the binary classifier and the seven-classifier. The results of our experiment show that the pre-trained VGG16 neural network is more effective in extracting image features. The classifiers based on the pre-trained VGG16 neural network achieve the skin detection and acne classification and have good robustness.

研究动机与目标

• 克服以往痤疮诊断方法依赖人工特征提取且仅提供粗粒度分类类别所带来的局限性。
• 开发一种自动、客观且全面的诊断系统，能够同时检测并分类面部图像中的多种痤疮类型。
• 在不同光照和色彩条件下提升皮肤及痤疮病变检测的鲁棒性与泛化能力。
• 评估在有限痤疮图像数据集上，使用预训练VGG16模型与自定义训练CNN相比，迁移学习的有效性。

提出的方法

• 使用卷积神经网络训练二值皮肤与非皮肤分类器，以定位面部皮肤区域，实现感兴趣区域（ROI）检测。
• 实现七类分类器，用于区分六种痤疮类型（黑头粉刺、白头粉刺、炎性丘疹、脓疱、结节、囊肿）及健康皮肤。
• 利用在ImageNet上预训练的VGG16模型进行迁移学习，提取高层特征，从而提升在小样本数据集上的性能。
• 系统采用滑动窗口处理（50×50像素块）分析面部区域，并在像素块级别应用分类。
• 通过受试者工作特征曲线（ROC曲线）和归一化混淆矩阵评估二值皮肤分类器与七类痤疮分类器的性能。
• 在有限数据集上训练过程中，采用数据增强与Dropout技术以减轻过拟合。

实验结果

研究问题

• RQ1 在小样本数据集上，预训练CNN（VGG16）在痤疮图像分类的特征提取方面是否优于自定义训练的CNN？
• RQ2 与传统基于色彩空间的方法相比，所提出的皮肤检测方法在处理光照与色彩变化时的有效性如何？
• RQ3 与以往的二类或三类系统相比，七类分类模型在诊断细节方面提升了多少？
• RQ4 该系统的故障模式主要是什么，特别是针对囊肿和结节等大病灶？
• RQ5 当训练数据有限时，迁移学习在提升模型泛化能力方面起到了多大作用？

主要发现

• 由于更好的泛化能力，预训练的VGG16模型在特征提取方面显著优于自定义训练的CNN，尤其是在小样本数据集上。
• 皮肤检测分类器对光照与色彩变化具有高度鲁棒性，误分类主要发生在皮肤与非皮肤的过渡区域。
• 七类分类器在黑头粉刺、白头粉刺、丘疹和健康皮肤上的表现良好，而囊肿、脓疱和结节的准确率较低，原因在于病灶过大，超出了50×50像素的补丁窗口范围。
• 归一化混淆矩阵显示，大多数类别具有高特异性和高敏感性，证实了该模型在临床图像分析中的可靠性。
• 迁移学习与VGG16的结合对系统成功至关重要；尽管自定义CNN的训练准确率更高，但小样本数据集导致其泛化能力差。
• 该系统通过同时分类多种痤疮类型，实现了全面且细致的诊断，相较于以往的粗粒度分类方法有显著改进。