[论文解读] Dermatologist Level Dermoscopy Skin Cancer Classification Using Different Deep Learning Convolutional Neural Networks Algorithms

Amirreza Rezvantalab, Habib Safigholi+1 more|arXiv (Cornell University)|Oct 21, 2018

Cutaneous Melanoma Detection and Management参考文献 31被引用 100

一句话总结

本文在八个 dermoscopy 皮肤癌分类上评估了预训练的 CNN，结果显示 CNN 的表现优于皮肤科医生，其中 DenseNet201 和 ResNet152 实现了最高的 ROC-AUC 分数。

ABSTRACT

In this paper, the effectiveness and capability of convolutional neural networks have been studied in the classification of 8 skin diseases. Different pre-trained state-of-the-art architectures (DenseNet 201, ResNet 152, Inception v3, InceptionResNet v2) were used and applied on 10135 dermoscopy skin images in total (HAM10000: 10015, PH2: 120). The utilized dataset includes 8 diagnostic categories - melanoma, melanocytic nevi, basal cell carcinoma, benign keratosis, actinic keratosis and intraepithelial carcinoma, dermatofibroma, vascular lesions, and atypical nevi. The aim is to compare the ability of deep learning with the performance of highly trained dermatologists. Overall, the mean results show that all deep learning models outperformed dermatologists (at least 11%). The best ROC AUC values for melanoma and basal cell carcinoma are 94.40% (ResNet 152) and 99.30% (DenseNet 201) versus 82.26% and 88.82% of dermatologists, respectively. Also, DenseNet 201 had the highest macro and micro averaged AUC values for overall classification (98.16%, 98.79%, respectively).

研究动机与目标

• 评估预训练 CNN 架构在对八种 dermoscopy 皮肤疾病进行分类方面的有效性。
• 在一个合并数据集上比较多种 CNN 架构（DenseNet201、ResNet152、Inception v3、InceptionResNet v2）。
• 使用 ROC AUC 指标量化模型相对于皮肤科医生基准的性能。
• 确定在整体分类中哪个架构获得最高的宏观平均和微观平均 AUC。

提出的方法

• 使用预训练的 CNN 架构 DenseNet201、ResNet152、Inception v3 和 InceptionResNet v2。
• 将模型应用于一个合并数据集，包含 10,135 张 dermoscopy 图像（HAM10000: 10,015；PH2: 120）。
• 将图像分为八个诊断类别：melanoma、melanocytic nevi、basal cell carcinoma、benign keratosis、actinic keratosis and intraepithelial carcinoma、dermatofibroma、vascular lesions、atypical nevi。
• 使用每个类别和总体的 ROC AUC 指标评估性能。
• 将 CNN 性能与摘要中报告的皮肤科医生性能进行比较。
• 报告在特定癌种（如 melanoma、BCC）上表现最佳的架构。

实验结果

研究问题

• RQ1 在八个 dermoscopy 类别上，预训练的 CNN 是否能够匹配或超过皮肤科医生的表现？
• RQ2 哪种 CNN 架构在 melanoma 和 basal cell carcinoma 上提供最高性能（ROC AUC）？
• RQ3 顶尖模型在总体分类中实现的宏观平均和微观平均 AUC 值是多少？

主要发现

• 所有深度学习模型均比皮肤科医生高出至少 11%。
• Melanoma ROC AUC：94.40% 由 ResNet152 实现；Basal cell carcinoma ROC AUC：99.30% 由 DenseNet201 实现。
• 皮肤科医生的 ROC AUC：melanoma 为 82.26%，basal cell carcinoma 为 88.82%。
• DenseNet201 在整体分类中实现了最高的宏观平均和微观平均 AUC，分别为 98.16% 和 98.79%。