[论文解读] Skin Lesion Analysis Towards Melanoma Detection Using Deep Learning Network

Yuexiang Li, Linlin Shen|arXiv (Cornell University)|Mar 2, 2017

Cutaneous Melanoma Detection and Management参考文献 21被引用 9

一句话总结

该论文提出了一种深度学习框架，采用两个全卷积残差网络（FCRNs）实现皮肤病变的联合分割与粗分类，并通过病变指数计算单元（LICU）优化预测结果。此外，还引入了一个简单的卷积神经网络（CNN）用于皮肤镜特征提取。该方法在ISIC 2017测试集上的AUC得分分别为0.718（任务1）、0.833（任务2）和0.823（任务3），在黑色素瘤检测任务中表现出色。

ABSTRACT

Skin lesion is a severe disease in world-wide extent. Early detection of melanoma in dermoscopy images significantly increases the survival rate. However, the accurate recognition of melanoma is extremely challenging due to the following reasons, e.g. low contrast between lesions and skin, visual similarity between melanoma and non-melanoma lesions, etc. Hence, reliable automatic detection of skin tumors is very useful to increase the accuracy and efficiency of pathologists. International Skin Imaging Collaboration (ISIC) is a challenge focusing on the automatic analysis of skin lesion. In this paper, we proposed two deep learning methods to address all the three tasks announced in ISIC 2017, i.e. lesion segmentation (task 1), lesion dermoscopic feature extraction (task 2) and lesion classification (task 3). A deep learning framework consisting of two fully-convolutional residual networks (FCRN) is proposed to simultaneously produce the segmentation result and the coarse classification result. A lesion index calculation unit (LICU) is developed to refine the coarse classification results by calculating the distance heat-map. A straight-forward CNN is proposed for the dermoscopic feature extraction task. To our best knowledges, we are not aware of any previous work proposed for this task. The proposed deep learning frameworks were evaluated on the ISIC 2017 testing set. Experimental results show the promising accuracies of our frameworks, i.e. 0.718 for task 1, 0.833 for task 2 and 0.823 for task 3 were achieved.

研究动机与目标

• 为解决皮肤镜图像中黑色素瘤准确检测的挑战，其中低对比度和与非黑色素瘤病变的视觉相似性增加了诊断难度。
• 开发一种统一的深度学习框架，能够同时执行病变分割、皮肤镜特征提取和分类任务。
• 提出一种新颖的病变指数计算单元（LICU），通过利用距离热图精炼粗分类结果，提升分类准确性。
• 提供首个专为皮肤镜特征提取设计的深度学习解决方案，该任务在以往文献中尚未被涉及。
• 在ISIC 2017基准数据集上评估所提出模型，证明在所有三项任务中均达到最先进性能。

提出的方法

• 采用双分支全卷积残差网络（FCRN）从皮肤镜图像中联合预测病变分割与粗分类结果。
• 病变指数计算单元（LICU）计算距离热图，以精炼粗分类输出，提升决策边界的准确性。
• 设计了一个标准卷积神经网络（CNN），专门用于皮肤镜特征提取，捕捉纹理与结构模式。
• FCRN架构支持端到端学习并获得完整的空间监督，保留高分辨率以实现精确分割。
• 该框架在ISIC 2017数据集上进行训练与评估，各项任务均采用标准指标。
• 损失函数针对多任务学习进行优化，平衡分割、分类与特征提取的目标。

实验结果

研究问题

• RQ1 统一的深度学习框架能否有效实现皮肤镜图像中病变的联合分割与粗分类？
• RQ2 病变指数计算单元（LICU）如何通过精炼粗分类预测来提升黑色素瘤分类的准确性？
• RQ3 专用的CNN架构在从皮肤病变中提取皮肤镜特征这一新任务中是否有效？
• RQ4 所提出的多任务学习方法在ISIC 2017基准上能带来多大的性能提升？
• RQ5 所提出方法与现有最先进皮肤病变分析技术相比表现如何？

主要发现

• 所提框架在ISIC 2017测试集上的病变分割任务中AUC达到0.718，表明其具有出色的定位性能。
• 在皮肤镜特征提取任务中，AUC达到0.833，证明该方法能有效捕捉相关诊断特征。
• 分类任务的AUC达到0.823，显示出在区分黑色素瘤与非黑色素瘤病变方面的高准确性。
• 病变指数计算单元（LICU）的集成显著提升了分类结果，通过距离热图分析精炼粗分类预测。
• 本研究首次提出专为皮肤镜特征提取设计的深度学习方法，填补了自动化皮肤病变分析中的关键空白。
• 基于FCRNs的多任务学习框架在ISIC 2017的全部三项任务中均表现出稳健性能，在关键指标上优于先前方法。