[论文解读] Araguaia Medical Vision Lab at ISIC 2017 Skin Lesion Classification Challenge

Rafael T. Sousa, Larissa Vasconcellos de Moraes|arXiv (Cornell University)|Mar 2, 2017

Cutaneous Melanoma Detection and Management被引用 6

一句话总结

本论文介绍了Araguaia医学视觉实验室在ISIC 2017挑战赛中，使用微调的深度卷积神经网络（DCNNs）对皮肤病变进行分类的方法。该团队采用GoogleNet和AlexNet架构，结合数据增强和学习率调度策略，对脂溢性角化症的AUC达到0.950，对黑色素瘤的AUC达到0.846，尽管存在类别不平衡问题，仍表现出强劲性能。

ABSTRACT

This paper describes the participation of Araguaia Medical Vision Lab at the International Skin Imaging Collaboration 2017 Skin Lesion Challenge. We describe the use of deep convolutional neural networks in attempt to classify images of Melanoma and Seborrheic Keratosis lesions. With use of finetuned GoogleNet and AlexNet we attained results of 0.950 and 0.846 AUC on Seborrheic Keratosis and Melanoma respectively.

研究动机与目标

• 开发一种基于深度学习的自动化皮肤病变分类系统，用于黑色素瘤和脂溢性角化症的分类。
• 通过数据增强和迁移学习解决数据集不平衡问题，提升模型泛化能力。
• 评估预训练CNN（GoogleNet和AlexNet）在ISIC 2017皮肤病变分类挑战赛中的表现。
• 优化学习率和网络架构等超参数，以提升AUC和准确率。
• 研究集成模型在类别不平衡皮肤病变数据集中对敏感性和特异性平衡的影响。

提出的方法

• 使用迁移学习在ISIC 2017数据集上对预训练的AlexNet和GoogleNet模型进行微调。
• 应用数据增强技术，包括随机剪切、缩放、平移和翻转，以增加训练数据的多样性并缓解类别不平衡。
• 将图像调整为350×350用于脂溢性角化症任务，224×224用于黑色素瘤任务，以匹配网络输入要求。
• 使用随机梯度下降（SGD）并采用三阶段学习率衰减：AlexNet为0.001 → 0.0001 → 0.00001，GoogleNet采用多阶段衰减策略。
• 通过集成三个模型（GoogleNet 256、GoogleNet 224、AlexNet 224）的平均预测结果，提升预测鲁棒性与类别平衡性。
• 在Nvidia Digits平台使用Caffe深度学习框架训练模型。

实验结果

研究问题

• RQ1 微调的深度卷积神经网络能否在皮肤镜图像中实现对黑色素瘤和脂溢性角化症的高性能分类？
• RQ2 在类别不平衡的皮肤病变数据集中，数据增强如何影响模型的泛化能力？
• RQ3 在皮肤病变分类任务中，AlexNet和GoogleNet的最佳学习率调度策略是什么？
• RQ4 集成多个预训练网络是否能提升AUC和敏感性，相较于单个模型表现更优？
• RQ5 由于类别不平衡，模型性能指标（AUC、敏感性、特异性）在黑色素瘤和脂溢性角化症类别之间有何差异？

主要发现

• 脂溢性角化症分类模型在ISIC验证集上的AUC达到0.950，准确率为89.3%，敏感性为78.6%，特异性为93.5%。
• 黑色素瘤分类模型在ISIC验证集上的AUC达到0.846，准确率为84.7%，敏感性为63.3%，特异性为90.0%。
• 表现最佳的脂溢性角化症模型采用在350×350图像上微调的AlexNet架构，并使用三阶段学习率衰减。
• 黑色素瘤模型通过集成三个模型（GoogleNet 256、GoogleNet 224、AlexNet 224）的平均预测结果达到最优性能。
• 尽管特异性较高，黑色素瘤的敏感性仍较低，可能由于训练集中阳性样本数量较少。
• 数据增强显著增加了有效数据集规模，并提升了模型泛化能力，尤其对低频类别更为明显。