[论文解读] Region of Interest Detection in Dermoscopic Images for Natural Data-augmentation

Manu Goyal, Moi Hoon Yap|arXiv (Cornell University)|Jan 1, 2018

Cutaneous Melanoma Detection and Management参考文献 22被引用 19

一句话总结

本文提出了一种基于Faster R-CNN和SSD架构的端到端感兴趣区域（ROI）检测方法，用于皮肤镜图像，其定位性能优于当前最先进的分割方法。检测到的ROI可实现自然的数据增强，从而提升病变诊断与分割性能，且实时智能手机应用程序展示了其在实际部署中的潜力。

ABSTRACT

With the rapid growth of medical imaging research, there is a great interest in the automated detection of skin lesions with computer algorithms. The state-of-the-art datasets for skin lesions are often accompanied with very limited amount of ground truth labeling as it is laborious and expensive. The Region Of Interest (ROI) detection is vital to locate the lesion accurately and must be robust to subtle features of different skin lesion types. In this work, we propose the use of two object localization meta-architectures for end-to-end ROI skin lesion detection in dermoscopic images. We trained the Faster-RCNN-InceptionV2 and SSD-InceptionV2 on the ISBI-2017 training dataset and evaluated their performance on the ISBI-2017 testing set, PH2 and HAM10000 datasets. Since there was no earlier work in ROI detection for skin lesion with CNNs, we compared the performance of skin localization methods with the state-of-the-art segmentation method. The localization methods proved superior to the segmentation method in ROI detection on skin lesion datasets. In addition, based on the detected ROI, an automated natural data-augmentation method is proposed and used as pre-processing in the lesion diagnosis and segmentation task. To further demonstrate the potential of our work, we developed a real-time smart-phone application for automated skin lesions detection.

研究动机与目标

• 通过自动化ROI检测减少标注负担，以应对皮肤病变数据集中真实标注样本有限的挑战。
• 通过利用针对细微皮肤病变特征量身定制的深度学习目标检测模型，提升病变定位的准确性。
• 基于检测到的ROI设计一种自然的数据增强流程，以提升病变诊断与分割任务的性能。
• 通过实时智能手机应用程序展示端到端系统在实际场景中的适用性，实现自动皮肤病变检测。
• 建立CNN-based方法在皮肤镜成像中ROI检测的基准，该领域此前尚未被探索。

提出的方法

• 采用Faster R-CNN-InceptionV2和SSD-InceptionV2作为端到端目标检测元架构，用于皮肤镜图像中的ROI定位。
• 在ISBI-2017训练数据集上训练模型，以检测皮肤病变作为感兴趣区域。
• 在ISBI-2017测试集、PH2和HAM10000数据集上评估模型性能，以确保在多种病变类型上的泛化能力。
• 设计一种基于检测到的ROI的自然数据增强策略，作为下游诊断与分割任务预处理的输入。
• 将ROI检测流程集成到实时智能手机应用程序中，实现在设备端的病变检测与可视化。
• 使用预训练的InceptionV2主干网络进行迁移学习，以提升特征提取能力和检测鲁棒性。

实验结果

研究问题

• RQ1 Faster R-CNN和SSD等目标检测模型能否在皮肤镜图像中以高精度有效定位皮肤病变？
• RQ2 在皮肤病变数据集中，ROI检测性能与当前最先进的分割方法相比如何？
• RQ3 基于ROI的自然数据增强在多大程度上能提升病变诊断与分割模型的性能？
• RQ4 端到端的ROI检测系统能否在移动平台上实现实时有效部署以用于临床应用？
• RQ5 ROI检测是否能增强模型对不同数据集中病变外观细微变化的鲁棒性？

主要发现

• 所提出的ROI检测方法在多个基准数据集上对皮肤病变的定位性能优于当前最先进的分割技术。
• Faster R-CNN-InceptionV2和SSD-InceptionV2在ISBI-2017、PH2和HAM10000数据集上均实现了高检测准确率，表现出强大的泛化能力。
• 基于ROI的自然数据增强流程通过引入真实、聚焦病变的增强数据，提升了下游诊断与分割任务的性能。
• 实时智能手机应用程序成功实现了ROI检测流程，实现了低延迟的设备端病变检测。
• 本研究确立了ROI检测作为皮肤镜成像中皮肤病变定位的一种可行且有效的替代分割方法。
• 此前在CNN-based方法中缺乏针对皮肤病变的ROI检测研究，凸显了本方法的创新性及其潜在影响力。