[论文解读] Skin Lesion Segmentation and Classification with Deep Learning System.

Devansh Bisla, Anna Choromanska+3 more|arXiv (Cornell University)|Feb 16, 2019

Cutaneous Melanoma Detection and Management参考文献 22被引用 13

一句话总结

本文提出了一种用于皮肤病变分割与分类的深度学习系统，通过专用的遮挡去除模块和基于生成对抗网络（GAN）的数据增强单元，解决了数据不足的问题。通过净化真实图像并为代表性不足的病变类型生成合成数据，该系统在小型、不平衡且存在遮挡的皮肤病变数据集上，性能优于标准基线模型。

ABSTRACT

Melanoma is one of the ten most common cancers in the US. Early detection is crucial for survival, but often the cancer is diagnosed in the fatal stage. Deep learning has the potential to improve cancer detection rates, but its applicability to melanoma detection is compromised by the limitations of the available skin lesion databases, which are small, heavily imbalanced, and contain images with occlusions. We build deep-learning-based tools for data purification and augmentation to counter-act these limitations. The developed tools can be utilized in a deep learning system for lesion classification and we show how to build such a system. The system heavily relies on the processing unit for removing image occlusions and the data generation unit, based on generative adversarial networks, for populating scarce lesion classes, or equivalently creating virtual patients with pre-defined types of lesions. We empirically verify our approach and show that incorporating these two units into melanoma detection system results in the superior performance over common baselines.

研究动机与目标

• 解决在黑色素瘤检测中，小型、不平衡且存在遮挡的皮肤病变数据库所面临的挑战。
• 开发一个数据净化单元，以从皮肤病变图像中去除遮挡物。
• 设计一个基于生成对抗网络（GAN）的数据生成单元，用于合成罕见病变类型。
• 将这些组件整合到统一的深度学习系统中，以提升病变分类性能。
• 通过实证验证该系统在常见基线模型上的性能表现。

提出的方法

• 开发一个处理单元，利用深度学习检测并去除皮肤病变图像中的遮挡物（如头发、工具等）。
• 训练一个基于GAN的数据生成单元，以合成代表性不足的病变类型的逼真图像，从而有效创建虚拟患者。
• 将净化后的真实图像与生成的合成图像结合，用于训练深度学习分类器。
• 在增强后的数据集上端到端训练分类器，同时利用真实数据与合成数据。
• 优化GAN生成器，以生成与真实罕见类别统计分布一致的高保真病变图像。
• 在已知存在类别不平衡与遮挡问题的基准皮肤病变数据集上评估整体系统性能。

实验结果

研究问题

• RQ1 基于深度学习的遮挡去除模块是否能在存在伪影的情况下提升皮肤病变图像的质量？
• RQ2 GAN生成的合成图像在多大程度上能提升对罕见黑色素瘤亚型的分类性能？
• RQ3 结合数据净化与基于GAN的增强方法，对整体模型的准确率与鲁棒性有何影响？
• RQ4 所提出的系统是否在小型、不平衡且存在遮挡的皮肤病变数据集上优于标准深度学习基线模型？

主要发现

• 与常见基线模型相比，所提出的系统在类别不平衡且存在遮挡的皮肤病变数据集上实现了更优的分类性能。
• 数据净化单元能有效去除遮挡，提升下游分类任务的输入数据质量。
• 基于GAN的数据生成单元成功合成了代表性不足病变类型的逼真图像，显著增加了训练数据的多样性。
• 两个模块的整合显著提升了模型的泛化能力与准确率，尤其在罕见病变类别上表现突出。
• 实证结果证实，该系统在分类指标上优于标准方法，尤其在应对数据稀缺与类别不平衡问题方面表现更优。