[论文解读] Convolutional Neural Network Committees for Melanoma Classification with Classical And Expert Knowledge Based Image Transforms Data Augmentation

Cristina Nader Vasconcelos, Bárbara Nader Vasconcelos|arXiv (Cornell University)|Feb 22, 2017

Cutaneous Melanoma Detection and Management参考文献 6被引用 20

一句话总结

本文提出了一种基于GoogLeNet的卷积神经网络（CNN）委员会模型，采用一种新颖的混合数据增强策略，结合经典图像变换（几何/色彩）与基于皮肤科病变对称性的专家知识引导形变，用于黑色素瘤分类。该方法提升了对自然与生物变异的鲁棒性，验证得分达到0.932，仅比ISBI 2017挑战赛最佳结果低2.6%，在小型、不平衡的生物医学数据集上表现出色。

ABSTRACT

Skin cancer is a major public health problem, as is the most common type of cancer and represents more than half of cancer diagnoses worldwide. Early detection influences the outcome of the disease and motivates our work. We investigate the composition of CNN committees and data augmentation for the the ISBI 2017 Melanoma Classification Challenge (named Skin Lesion Analysis towards Melanoma Detection) facing the peculiarities of dealing with such a small, unbalanced, biological database. For that, we explore committees of Convolutional Neural Networks trained over the ISBI challenge training dataset artificially augmented by both classical image processing transforms and image warping guided by specialist knowledge about the lesion axis and improve the final classifier invariance to common melanoma variations.

研究动机与目标

• 解决在小型、不平衡的生物医学数据集（如ISBI 2017年黑色素瘤数据集）上训练深度学习模型的挑战。
• 探究数据增强是否能提升CNN对皮肤病变图像中自然与生物变异的不变性。
• 评估数据集不平衡对CNN性能的影响，并提出缓解策略。
• 证明结合经典与专家知识驱动的数据增强可提升模型泛化能力与鲁棒性。
• 评估CNN委员会在具有挑战性的黑色素瘤分类任务中提升分类性能的有效性。

提出的方法

• 采用预训练的GoogLeNet架构作为基础CNN模型，通过迁移学习在ISBI 2017训练集上进行微调。
• 应用经典数据增强技术，包括随机旋转、翻转和色彩抖动，以增加训练样本的多样性。
• 通过基于病变对称性与轴向方向的专家知识引导，采用薄板样条变换实现图像形变。
• 用椭圆近似病变边界，对主轴长度进行±20%的扰动，同时保持方向与中心位置不变，以实现真实感的变异。
• 通过在增强数据的平衡子集上训练多个模型，构建CNN委员会，以降低方差并提升泛化能力。
• 采用5折交叉验证，固定超参数（10个周期，10⁻⁴的初始学习率，批量大小256），以确保可复现性与公平比较。

实验结果

研究问题

• RQ1 经典图像处理变换（几何与色彩）是否能提升CNN对黑色素瘤病变图像中自然变异的不变性？
• RQ2 基于皮肤科病变对称性与轴向方向原则的专家知识引导图像形变，是否能增强CNN对生物变异的鲁棒性？
• RQ3 训练数据集中的类别不平衡如何影响CNN性能？数据增强能否缓解此问题？
• RQ4 与单模型相比，基于增强与平衡数据训练的CNN委员会是否能提升分类性能？
• RQ5 在小型、不平衡的生物医学数据集上，预训练的GoogLeNet架构通过混合数据增强策略，能在多大程度上实现具有竞争力的结果？

主要发现

• 所提出的混合数据增强策略——结合经典方法与专家知识引导的形变——显著提升了模型对自然与生物变异的鲁棒性。
• 在增强与平衡数据上训练的CNN委员会验证得分为0.932，仅比ISBI 2017挑战赛最佳结果（0.958）低2.6%。
• 使用ImageNet预训练权重进行微调有效减少了过拟合与训练时间，证实了在小型数据集上迁移学习的优势。
• 基于对称性与轴向方向的病变特异性形变保留了关键诊断模式，提升了泛化能力，同时未引入虚假特征。
• 尽管训练集较小（2000张图像）且类别高度不平衡（68.6%为脂溢性角化病，12.7%为良性痣，18.7%为黑色素瘤），该方法仍表现出强劲性能。
• 结果表明该方法可推广至其他CNN架构（如残差网络），且通过采用更强模型可进一步提升性能。