[论文解读] Skin Cancer Images Classification using Transfer Learning Techniques

Md. Sirajul Islam, Sanjeev Panta|arXiv (Cornell University)|Jun 18, 2024

Cutaneous Melanoma Detection and Management被引用 6

一句话总结

该论文评估五个预训练迁移学习模型（ResNet-50、MobileNet、InceptionV3、InceptionResNetV2、DenseNet-169/201）在ISIC数据集上通过数据增强进行二分类皮肤癌分类，发现ResNet-50表现最佳，准确率为0.935。

ABSTRACT

Skin cancer is one of the most common and deadliest types of cancer. Early diagnosis of skin cancer at a benign stage is critical to reducing cancer mortality. To detect skin cancer at an earlier stage an automated system is compulsory that can save the life of many patients. Many previous studies have addressed the problem of skin cancer diagnosis using various deep learning and transfer learning models. However, existing literature has limitations in its accuracy and time-consuming procedure. In this work, we applied five different pre-trained transfer learning approaches for binary classification of skin cancer detection at benign and malignant stages. To increase the accuracy of these models we fine-tune different layers and activation functions. We used a publicly available ISIC dataset to evaluate transfer learning approaches. For model stability, data augmentation techniques are applied to improve the randomness of the input dataset. These approaches are evaluated using different hyperparameters such as batch sizes, epochs, and optimizers. The experimental results show that the ResNet-50 model provides an accuracy of 0.935, F1-score of 0.86, and precision of 0.94.

研究动机与目标

• 推动自动化、更快的皮肤癌诊断，以辅助早期检测并降低对昂贵人工诊断的依赖。
• 评估带数据增强的迁移学习模型是否能够优于ISIC皮肤病变数据的现有方法。
• 为此二分类任务识别最佳超参数（批量大小、学习率、优化器）。
• 比较多种预训练体系结构，以确定对良性与恶性分类表现最好的模型。）

提出的方法

• 在ISIC图像上对五个预训练CNN（ResNet-50、MobileNet、InceptionV3、InceptionResNetV2、DenseNet-169/201）进行微调，图像尺寸调整为224x224x3。
• 应用数据增强（旋转、翻转、亮度、缩放）以平衡并扩大训练集。
• 在超参数方面进行实验：批量大小（32、64）、学习率（0.0001、0.00001）、优化器（Adam、SGD）。
• 用平均池化和全连接层替换顶层；对二分类良性/恶性使用soft-max。
• 在模型与超参数上使用准确率、精确率、召回率、F1、ROC-AUC和混淆矩阵进行评估。

实验结果

研究问题

• RQ1 迁移学习模型在ISIC上是否能够实现二分类皮肤癌的高准确率？
• RQ2 数据增强对有限医学影像数据集上的模型性能有何影响？
• RQ3 哪种预训练架构和超参数设置对良性与恶性皮肤病变分类具有最佳性能？
• RQ4 与ISIC数据集上的最先进方法相比，迁移学习模型的表现如何？

主要发现

Model	Accuracy	Precision	Recall	F1 Score	ROC-AUC
ResNet-50	0.935	0.94	0.77	0.86	0.891
MobileNet	0.884	0.91	0.73	0.81	0.824
InceptionV3	0.884	0.91	0.73	0.81	0.824
InceptionResnetv2	0.884	0.91	0.73	0.81	0.824
DenseNet-201	0.884	0.91	0.73	0.81	0.824

• ResNet-50在0.935的准确率、0.94的精确率、0.77的召回率、0.86的F1、0.891的ROC-AUC方面获得最佳性能。
• 批量大小64、学习率0.0001、Adam优化器普遍在各模型中取得最佳结果。
• 数据增强使训练数据从2818增加到5636个样本并提升了性能。
• 其他评估模型（MobileNet、InceptionV3、InceptionResNetV2、DenseNet-201）达到0.884的准确率和类似的指标。
• 该研究声称在ISIC上与最先进方法具有竞争力，并强调迁移学习在小数据集上的时间节省。