151 0

Skin Cancer Image Classification Method Using Multi-Task Learning Strategy

Title
Skin Cancer Image Classification Method Using Multi-Task Learning Strategy
Author
권용우
Alternative Author(s)
권용우
Advisor(s)
문영식
Issue Date
2021. 8
Publisher
한양대학교
Degree
Master
Abstract
The main types of skin cancer include basal cell carcinoma, squamous cell carcinoma, and malignant melanoma. Although early diagnosis can reduce mortality risk from skin cancer, it accompanies a high rate of misdiagnosis because it is difficult to distinguish the lesions caused by skin cancer from various other types of skin lesions. To solve this problem, dermatologists use dermatoscope to determine abnormal structural characteristics of melanoma, borderline lesions, and benign lesions. However, even the use of dermoscopic images results in diagnostic accuracy between 30 and 70%. Hence, high misdiagnosis rate is a major issue in early diagnosis of skin cancer. Thus, this thesis aimed to improve classification performance for skin cancer classes in skin cancer images. To this end, we propose a multi-task deep-learning network that can perform image classification and image segmentation simultaneously. The proposed network performs image classification and segmentation by applying feature information, which is extracted from the image classification network, in image segmentation. It derives both image classification and segmentation results to assist the image classification network in learning information on uncertain skin lesion areas in images and, ultimately, to improve the image classification network. The experimental results confirmed that the performance of the image classification network using the proposed network improved by 5% over the performance of existing methods. |피부암의 종류에는 기저 세포암(Basal Cell Carcinoma), 편평 세포암(Squamous Cell Carcinoma), 악성 흑색종(Malignant Melanoma) 등이 있다. 피부암은 조기 진단으로 사망 위험도를 낮출 수 있지만, 피부 병변은 그 형태가 다양하여 오진율이 높다[1]. 이를 개선하기 위하여 전문의는 피부경을 사용하여 흑색종의 비정상적인 구조적 특징과 경계선 병변, 양성 병변을 판별한다. 그러나 피부경 영상을 사용하여도 판별의 정확도는 약 30~70%에 불과하여 조기 진단에 어려움이 있다[2]. 본 논문은 피부암 영상에서의 클래스 분류 성능을 높이는 것을 목표로 한다. 해당 목표를 달성하기 위하여 영상 분류(Image Classification)와 영상 분할(Image Segmentation)을 동시에 진행하는 다중 학습(multi-task) 네트워크를 제안한다. 본 논문에서 제안하는 네트워크는 분류 네트워크에서 추출된 특징 정보들을 영상 분할을 위한 특징 정보로 활용을 하여 영상 분류 및 분할을 수행한다. 영상 분할 결과를 같이 도출함으로써 분류 네트워크는 영상에서의 불명확한 피부 병변 영역에 대한 정보를 학습하여 분류 성능을 높일 수 있다. 실험 결과 분류 성능을 단일 분류 네트워크 성능에 비해 5% 향상 시켰다.
URI
http://hanyang.dcollection.net/common/orgView/200000498670https://repository.hanyang.ac.kr/handle/20.500.11754/163700
Appears in Collections:
GRADUATE SCHOOL[S](대학원) > COMPUTER SCIENCE & ENGINEERING(컴퓨터공학과) > Theses (Master)
Files in This Item:
There are no files associated with this item.
Export
RIS (EndNote)
XLS (Excel)
XML


qrcode

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.

BROWSE