Increasing Melanoma Diagnostic Confidence: Forcing the Convolutional Network to Learn from the Lesion

要約

畳み込みネットワーク アーキテクチャで実装された深層学習は、専門家の診断精度を超える可能性があります。
ただし、特定のデータセットでトレーニングされた画像全体の深層学習は、他のデータセットに一般化できない場合があります。
この問題は、定規の跡、インクの跡、その他の黒色腫に関連する病変外の特徴が情報漏洩として機能する可能性があるために発生します。
ヒート マップで発見できるこれらの病変外の特徴は、黒色腫の診断パフォーマンスを低下させ、1 つのデータ セットで学習された技術が一般化できない原因となります。
我々は、EfficientNet モデルによって黒色腫の認識を向上させる新しい手法を提案します。
モデルは、病変を検出し、検出された病変から特徴を学習するようにネットワークをトレーニングします。
病変を囲む楕円と拡張された長方形 (境界ボックス) で囲まれた楕円を使用して、病変の一般化可能な楕円セグメンテーション モデルが開発されました。
最小境界ボックスは、病変周囲の背景を許容するために 20% 拡張されました。
提案された方法の有効性を評価するために、公開されている International Skin Imaging Collaboration (ISIC) 2020 皮膚病変画像データセットが使用されました。
我々のテスト結果は、提案された方法が受信者動作特性曲線下平均面積（平均AUC）スコアを0.9から0.922に増加させることにより、診断精度を向上させたことを示しています。
さらに、正しく診断されたスコアも改善され、スコアの分離が向上し、それによって黒色腫の診断の信頼性が高まります。
提案された病変に焦点を当てた畳み込み技術にはさらなる研究が必要です。

要約(オリジナル)

Deep learning implemented with convolutional network architectures can exceed specialists’ diagnostic accuracy. However, whole-image deep learning trained on a given dataset may not generalize to other datasets. The problem arises because extra-lesional features – ruler marks, ink marks, and other melanoma correlates – may serve as information leaks. These extra-lesional features, discoverable by heat maps, degrade melanoma diagnostic performance and cause techniques learned on one data set to fail to generalize. We propose a novel technique to improve melanoma recognition by an EfficientNet model. The model trains the network to detect the lesion and learn features from the detected lesion. A generalizable elliptical segmentation model for lesions was developed, with an ellipse enclosing a lesion and the ellipse enclosed by an extended rectangle (bounding box). The minimal bounding box was extended by 20% to allow some background around the lesion. The publicly available International Skin Imaging Collaboration (ISIC) 2020 skin lesion image dataset was used to evaluate the effectiveness of the proposed method. Our test results show that the proposed method improved diagnostic accuracy by increasing the mean area under receiver operating characteristic curve (mean AUC) score from 0.9 to 0.922. Additionally, correctly diagnosed scores are also improved, providing better separation of scores, thereby increasing melanoma diagnostic confidence. The proposed lesion-focused convolutional technique warrants further study.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google