Dermoscopic Dark Corner Artifacts Removal: Friend or Foe?

要約

皮膚がんの分類における最も重要な障害の 1 つは、アーチファクトの存在です。
この論文では、ダーモスコープの使用によって生じるダークコーナーアーティファクトがディープラーニングバイナリ分類タスクのパフォーマンスに及ぼす影響を調査します。
以前の研究では、モデルに理想的な状態を作り出すことを目的として、暗いコーナーのアーティファクトを除去して修復することが試みられました。
しかし、そのような研究は、ダークコーナーアーチファクトでラベル付けされた利用可能なデータセットや詳細な分析と議論が不足しているため、決定的なものではないことが示されています。
これらの問題に対処するために、公開されているデータセットから 10,250 枚の皮膚病変画像にラベルを付け、黒色腫症例と非黒色腫症例の数が等しいバランスの取れたデータセットを導入しました。
トレーニング セットはアーティファクトのない 6126 枚の画像で構成され、テスト セットは暗いコーナー アーティファクトのある 4124 枚の画像で構成されます。
私たちは、ディープ ラーニング手法におけるダーク コーナー アーティファクト (修復された例や合成的に生成された例など) の影響について新たな理解を提供するために 3 つの実験を実施しました。
私たちの結果は、トレーニングセットに重ねられた合成ダークコーナーアーティファクトを導入することで、特に真陰性率の点でモデルのパフォーマンスが向上したことを示唆しています。
これは、ダーク コーナー アーティファクトがトレーニング セットに導入されたときに、深層学習がダーク コーナー アーティファクトを黒色腫として扱うのではなく、無視することを学習したことを示しています。
さらに、ヒートマップのさまざまな領域の輝度強度の二乗平均平方根測定を使用して、ネットワークの焦点を示すヒートマップを定量化する新しいアプローチを提案します。
この論文は、再現性に重点を置いた皮膚病変解析の新しいガイドラインを提供します。

要約(オリジナル)

One of the more significant obstacles in classification of skin cancer is the presence of artifacts. This paper investigates the effect of dark corner artifacts, which result from the use of dermoscopes, on the performance of a deep learning binary classification task. Previous research attempted to remove and inpaint dark corner artifacts, with the intention of creating an ideal condition for models. However, such research has been shown to be inconclusive due to lack of available datasets labelled with dark corner artifacts and detailed analysis and discussion. To address these issues, we label 10,250 skin lesion images from publicly available datasets and introduce a balanced dataset with an equal number of melanoma and non-melanoma cases. The training set comprises 6126 images without artifacts, and the testing set comprises 4124 images with dark corner artifacts. We conduct three experiments to provide new understanding on the effects of dark corner artifacts, including inpainted and synthetically generated examples, on a deep learning method. Our results suggest that introducing synthetic dark corner artifacts which have been superimposed onto the training set improved model performance, particularly in terms of the true negative rate. This indicates that deep learning learnt to ignore dark corner artifacts, rather than treating it as melanoma, when dark corner artifacts were introduced into the training set. Further, we propose a new approach to quantifying heatmaps indicating network focus using a root mean square measure of the brightness intensity in the different regions of the heatmaps. This paper provides a new guideline for skin lesions analysis with an emphasis on reproducibility.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google