[论文解读] Transfer Learning for Melanoma Detection: Participation in ISIC 2017 Skin Lesion Classification Challenge

Dennis H. Murphree, Che Ngufor|arXiv (Cornell University)|Mar 15, 2017

Cutaneous Melanoma Detection and Management参考文献 5被引用 16

一句话总结

本论文针对ISIC 2017挑战赛提出了一种基于预训练Inception V3的迁移学习方法，采用特征提取与多层感知机的微调策略进行黑色素瘤检测。该方法在区分脂溢性角化症与痣/黑色素瘤时AUC达到0.84，在区分黑色素瘤与痣/脂溢性角化症时AUC为0.76，平均AUC为0.80。

ABSTRACT

This manuscript describes our participation in the International Skin Imaging Collaboration's 2017 Skin Lesion Analysis Towards Melanoma Detection competition. We participated in Part 3: Lesion Classification. The two stated goals of this binary image classification challenge were to distinguish between (a) melanoma and (b) nevus and seborrheic keratosis, followed by distinguishing between (a) seborrheic keratosis and (b) nevus and melanoma. We chose a deep neural network approach with a transfer learning strategy, using a pre-trained Inception V3 network as both a feature extractor to provide input for a multi-layer perceptron as well as fine-tuning an augmented Inception network. This approach yielded validation set AUC's of 0.84 on the second task and 0.76 on the first task, for an average AUC of 0.80. We joined the competition unfortunately late, and we look forward to improving on these results.

研究动机与目标

• 解决在深度学习框架下将皮肤病变分类为黑色素瘤、痣和脂溢性角化症的挑战。
• 评估在训练数据有限的医学图像分类任务中，使用预训练模型进行迁移学习的有效性。
• 提升在两个二分类任务中的分类性能：黑色素瘤与良性病变，以及脂溢性角化症与痣/黑色素瘤。
• 探索数据增强与微调对皮肤镜图像分析中模型泛化能力的影响。

提出的方法

• 将预训练的Inception V3网络用作迁移学习的特征提取器。
• 将提取的特征输入多层感知机以进行分类。
• 对增强后的Inception V3网络进行微调，以适应特定的皮肤病变数据集。
• 使用数据增强技术以提高模型的鲁棒性并减少过拟合。
• 在ISIC 2017数据集上训练模型，重点关注两个二分类任务。
• 以验证集AUC为主要评估指标对模型进行优化。

实验结果

研究问题

• RQ1 在数据量有限的情况下，使用预训练Inception V3模型进行迁移学习是否能有效提升皮肤病变分类性能？
• RQ2 与仅使用特征提取相比，对Inception V3网络进行微调在区分黑色素瘤与良性病变方面表现如何？
• RQ3 在皮肤镜图像分类背景下，数据增强对模型泛化能力有何影响？
• RQ4 在两级分类任务中（首先区分黑色素瘤，然后将痣与脂溢性角化症分离），模型表现如何？
• RQ5 迁移学习在小型医学影像数据集中在多大程度上缓解了过拟合问题？

主要发现

• 在第二个分类任务（区分脂溢性角化症与痣和黑色素瘤）中，模型在验证集上的AUC达到0.84。
• 在第一个分类任务（区分黑色素瘤与痣和脂溢性角化症）中，模型在验证集上的AUC为0.76。
• 两个任务的平均AUC为0.80，表明在二分类挑战中整体性能表现强劲。
• 通过数据增强对Inception V3模型进行微调，提升了模型的泛化能力与验证集表现。
• 尽管参赛时间较晚，该迁移学习方法仍表现出色，显示出未来进一步优化的强潜力。
• 在Inception V3特征基础上使用多层感知机构建了稳健且高效的分类流程。