[论文解读] Automated Skin Lesion Classification Using Ensemble of Deep Neural Networks in ISIC 2018: Skin Lesion Analysis Towards Melanoma Detection Challenge

Ashraful Alam Milton|arXiv (Cornell University)|Jan 30, 2019

Cutaneous Melanoma Detection and Management参考文献 11被引用 82

一句话总结

论文在 ISIC 2018 数据集上评估多种深度神经网络用于黑色素瘤检测，并在集成框架中报告 PNASNet-5-Large 实现的最佳验证分数。

ABSTRACT

In this paper, we studied extensively on different deep learning based methods to detect melanoma and skin lesion cancers. Melanoma, a form of malignant skin cancer is very threatening to health. Proper diagnosis of melanoma at an earlier stage is crucial for the success rate of complete cure. Dermoscopic images with Benign and malignant forms of skin cancer can be analyzed by computer vision system to streamline the process of skin cancer detection. In this study, we experimented with various neural networks which employ recent deep learning based models like PNASNet-5-Large, InceptionResNetV2, SENet154, InceptionV4. Dermoscopic images are properly processed and augmented before feeding them into the network. We tested our methods on International Skin Imaging Collaboration (ISIC) 2018 challenge dataset. Our system has achieved best validation score of 0.76 for PNASNet-5-Large model. Further improvement and optimization of the proposed methods with a bigger training dataset and carefully chosen hyper-parameter could improve the performances. The code available for download at https://github.com/miltonbd/ISIC_2018_classification

研究动机与目标

• 促进自动化黑色素瘤检测，以帮助早期诊断和临床决策。
• 评估在 ISIC 2018 挑战数据集上几种深度学习架构的性能。
• 探索数据处理与增强策略，以改进皮肤镜图像分类。
• 确定在皮肤病变分类的集成方法中表现最好的模型。

提出的方法

• 在 ISIC 2018 数据集上尝试深度网络，如 PNASNet-5-Large、InceptionResNetV2、SENet154 和 InceptionV4。
• 在网络训练前对皮肤镜图像进行正确的预处理与增强。
• 在 ISIC 2018 验证集上评估模型并报告性能指标。
• 强调最佳验证分数为 0.76 来自 PNASNet-5-Large。
• 建议进一步改进可能来自更大的训练数据和谨慎的超参数选择。

实验结果

研究问题

• RQ1 深度神经网络集成能否提高 ISIC 2018 数据集上的黑色素瘤检测准确性？
• RQ2 哪些网络架构在皮肤镜病变分类上提供最佳验证性能？
• RQ3 数据预处理和增强如何影响 ISIC 2018 的模型性能？
• RQ4 更大规模的训练数据和优化的超参数对进一步提升结果的潜力为何？

主要发现

• PNASNet-5-Large 在被测试的模型中实现了最佳验证分数 0.76。
• 各种深度学习模型（InceptionResNetV2、SENet154、InceptionV4）在 ISIC 2018 上进行了评估。
• 皮肤镜图像在送入网络前经过正确处理与增强。
• 作者建议更大的训练数据集和优化的超参数可能提高性能。
• 提供的方法代码可在所提供的 URL 获取。