[论文解读] Skin Lesion Classification Using Deep Multi-scale Convolutional Neural Networks

Terrance DeVries, Dhanesh Ramachandram|arXiv (Cornell University)|Mar 4, 2017

Cutaneous Melanoma Detection and Management参考文献 3被引用 48

一句话总结

本文提出一种使用微调后的Inception-v3的深度多尺度卷积神经网络，通过皮肤镜图像将皮肤病变分类为黑色素瘤、良性痣和脂溢性角化病。通过结合低分辨率和高分辨率输入的特征，并采用数据增强、模型集成和后处理方法，该模型在ISIC 2017验证集上实现了0.943的平均AUC。

ABSTRACT

We present a deep learning approach to the ISIC 2017 Skin Lesion Classification Challenge using a multi-scale convolutional neural network. Our approach utilizes an Inception-v3 network pre-trained on the ImageNet dataset, which is fine-tuned for skin lesion classification using two different scales of input images.

研究动机与目标

• 解决在有限的皮肤镜图像数据下对良性与恶性皮肤病变进行分类的挑战。
• 在训练数据量较小的情况下，提高对黑色素瘤、良性痣和脂溢性角化病的分类准确率。
• 利用多尺度输入捕捉病变的整体结构和细微纹理细节，以改善特征表示。
• 通过数据增强、批量归一化和小样本数据集上的模型集成来减轻过拟合。

提出的方法

• 在ISIC 2017皮肤镜图像上微调一个ImageNet预训练的Inception-v3网络，使用两种输入尺度：224×224（粗糙）和448×448（中心裁剪，精细）。
• 将两种尺度的全局平均池化特征拼接成一个4096维向量，以实现联合表征。
• 应用一个带有ReLU激活的全连接层，随后接一个三分类的Softmax层用于多类别分类。
• 采用迁移学习并逐步解冻：初始时冻结所有Inception层，随后在微调过程中解冻最后两个Inception模块。
• 通过训练期间的90°旋转和随机镜像实现数据增强，以提高模型鲁棒性并减少过拟合。
• 在测试时采用数据增强，通过对每张测试图像的8种不同变换版本的预测结果取平均，并结合10个不同模型的几何平均集成策略。

实验结果

研究问题

• RQ1 在像ISIC 2017这样数据量小、受限的样本集上，多尺度深度学习方法是否能提升皮肤病变分类的性能？
• RQ2 在粗糙尺度和精细尺度输入之间共享特征，在增强病变区分能力方面有多有效？
• RQ3 在训练数据有限的情况下，数据增强和模型集成在减轻过拟合方面的效果如何？
• RQ4 在皮肤镜图像上对预训练的Inception-v3模型进行微调，其性能是否能与在更大数据集上训练的模型相媲美？

主要发现

• 集成模型在ISIC 2017验证集上对所有三类病变的平均准确率达到0.903。
• 该模型在黑色素瘤分类中实现了0.896的AUC，表明其在区分恶性与良性病变方面表现优异。
• 对于脂溢性角化病，模型实现了高达0.990的AUC，表明其与其它类别之间几乎完美分离。
• 使用ISIC_MSK2_1的额外训练数据提升了黑色素瘤预测性能，但由于类别不平衡，对脂溢性角化病的影响微乎其微。
• 在测试时采用8种图像变换（旋转与镜像）的数据增强显著提高了预测的稳定性和泛化能力。
• 通过集成10个具有不同超参数和训练折数的模型，性能得到显著提升，证明了在小样本场景下模型多样性的重要价值。