[论文解读] Skin Lesion Classification using Class Activation Map

Xi Jia, Linlin Shen|arXiv (Cornell University)|Mar 3, 2017

Cutaneous Melanoma Detection and Management参考文献 5被引用 20

一句话总结

本文提出了一种基于类别激活图（CAM）的两阶段深度学习框架，用于皮肤病变分类，通过定位并聚焦于皮肤镜图像中的判别区域来提升性能。首先利用CAM识别高激活区域，随后在这些裁剪区域上微调网络，该方法在ISIC-2017验证集上将平均AUC提升至0.857，较原始输入模型提高了0.04。

ABSTRACT

We proposed a two stage framework with only one network to analyze skin lesion images, we firstly trained a convolutional network to classify these images, and cropped the import regions which the network has the maximum activation value. In the second stage, we retrained this CNN with the image regions extracted from stage one and output the final probabilities. The two stage framework achieved a mean AUC of 0.857 in ISIC-2017 skin lesion validation set and is 0.04 higher than that of the original inputs, 0.821.

研究动机与目标

• 通过利用类别激活图识别皮肤镜图像中具有诊断意义的区域，提升皮肤病变分类的准确性。
• 开发一种两阶段深度学习框架，通过在定位后的高激活区域上重新训练，优化分类性能。
• 证明通过CAM聚焦显著区域可提升模型性能，优于使用完整图像的基线方法。
• 通过可视化注意力图实现可解释性，突出显示对分类至关重要的病变特征。
• 在ISIC-2017皮肤病变分类基准上实现最先进性能。

提出的方法

• 首先在完整的皮肤病变图像上训练卷积神经网络（CNN），以学习分类任务并生成类别激活图（CAM）。
• 利用CAM识别预测类别激活最高的区域，该区域指示病变中最具判别力的部分。
• 根据CAM识别的区域对图像进行裁剪，仅保留最相关的病变特征用于后续训练。
• 在裁剪后的区域上，使用相同的CNN架构对网络进行微调，以提升分类性能。
• 最终模型基于局部区域提取的优化特征输出类别概率。
• 该方法结合了通过CAM可视化实现的可解释性与基于区域聚焦训练带来的性能提升。

实验结果

研究问题

• RQ1 类别激活图能否有效定位皮肤病变图像中具有诊断意义的区域？
• RQ2 在CAM选定的区域上微调CNN是否能相比在完整图像上训练获得更高的分类性能？
• RQ3 该两阶段框架是否能在提升AUC的同时保持可解释性？
• RQ4 基于CAM的方法在ISIC-2017数据集上与使用完整图像的标准CNN相比，性能如何？
• RQ5 聚焦于高激活区域在多大程度上减少了无关背景或非病变结构带来的噪声影响？

主要发现

• 该两阶段框架在ISIC-2017皮肤病变验证集上实现了0.857的平均受试者工作特征曲线下面积（AUC）。
• 该性能较在完整图像上训练的基线模型（平均AUC为0.821）提升了0.04。
• 该方法成功利用类别激活图定位了具有诊断意义的区域，增强了模型对病变特征的关注。
• AUC的提升表明，对显著病变区域的关注显著提升了分类性能。
• 该框架提供了可解释的注意力图，可可视化模型决策过程。
• 结果表明，基于CAM定位后进行区域重训练是提升皮肤病变分类性能的有效策略。