[論文レビュー] A Deep Learning Approach for the Detection of COVID-19 from Chest X-Ray Images using Convolutional Neural Networks

Aditya Saxena, Shamsheer Pal Singh|arXiv (Cornell University)|Jan 24, 2022

COVID-19 diagnosis using AI被引用数 4

ひとこと要約

本研究では、5つのオープンアクセスデータセットを用いて、COVID-19を胸部X線画像から検出するためのカスタム深層畳み込みニューラルネットワーク（CNN）を提案している。予測精度がCOVID-Net、ResNet18、ResNet、MobileNet-V2の4つの事前学習モデルを上回り、リソース制限のある環境におけるスケーラブルで自動化されたCOVID-19スクリーニングの可能性を示している。

ABSTRACT

The COVID-19 (coronavirus) is an ongoing pandemic caused by severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2). The virus was first identified in mid-December 2019 in the Hubei province of Wuhan, China and by now has spread throughout the planet with more than 75.5 million confirmed cases and more than 1.67 million deaths. With limited number of COVID-19 test kits available in medical facilities, it is important to develop and implement an automatic detection system as an alternative diagnosis option for COVID-19 detection that can used on a commercial scale. Chest X-ray is the first imaging technique that plays an important role in the diagnosis of COVID-19 disease. Computer vision and deep learning techniques can help in determining COVID-19 virus with Chest X-ray Images. Due to the high availability of large-scale annotated image datasets, great success has been achieved using convolutional neural network for image analysis and classification. In this research, we have proposed a deep convolutional neural network trained on five open access datasets with binary output: Normal and Covid. The performance of the model is compared with four pre-trained convolutional neural network-based models (COVID-Net, ResNet18, ResNet and MobileNet-V2) and it has been seen that the proposed model provides better accuracy on the validation set as compared to the other four pre-trained models. This research work provides promising results which can be further improvise and implement on a commercial scale.

研究の動機と目的

• RT-PCR検査の限界を踏まえ、胸部X線画像からのCOVID-19自動検出のための深層学習システムの開発を目的とする。
• 医療施設における診断キットの低利用率という課題に対処するため、広く利用可能なX線画像診断を活用する。
• 大規模かつ公開済みの胸部X線画像データセットを用いた深層学習により、診断の正確性と迅速性を向上させる。
• カスタムCNNの性能をResNet や MobileNet-V2 などの既存の事前学習モデルと比較する。

提案手法

• 正常およびCOVID-19を含む胸部X線画像を含む5つのオープンアクセスデータセットを用いて、カスタム深層畳み込みニューラルネットワークを学習した。
• 標準的な深層学習のトレーニング手順を用い、二値分類（正常対COVID-19）を最適化した。
• 一般化性能を向上させるとともに、トレーニングセットにおける過学習を軽減するため、データ拡張技術を適用した。
• バリデーションセットでの性能を評価し、COVID-Net、ResNet18、ResNet、MobileNet-V2の4つの事前学習モデルと比較した。
• バリデーション精度を最大化するために、トランスファー学習の原則とハイパーパramータチューニングを用いた。
• 医用画像処理に適した特徴抽出能力とパラメータ効率の両立を図るべく、モデルアーキテクチャを設計した。

実験結果

リサーチクエスチョン

• RQ1 カスタム学習済みCNNは、既存の事前学習モデルを上回る精度で胸部X線画像からのCOVID-19検出が可能か？
• RQ2 同じデータセット上で、ファインチューニングされたCNNの性能は、ResNet や MobileNet-V2 といった既存モデルと比べてどうか？
• RQ3 複数のオープンアクセスデータセットを用いて学習した深層学習モデルは、実際の診断応用にどの程度一般化可能か？
• RQ4 データセットの多様性とデータ拡張の影響は、モデルの頑健性と正確性にどのような影響を与えるか？

主な発見

• 提案されたカスタムCNNは、検証精度において、COVID-Net、ResNet18、ResNet、MobileNet-V2を含む全4つの事前学習モデルを上回った。
• 多様な胸部X線データセットにわたって強力な一般化能力を示し、データ分布のずれに対しても頑健であることがわかった。
• 包括的かつマルチソースのデータセットを用いて学習された目的設計CNNは、トランスファー学習ベースラインを上回る可能性を示唆している。
• 本研究は、限られた検査能力を持つ臨床現場において、深層学習モデルが早期COVID-19検出の実用的でスケーラブルな代替手段となり得ることを裏付けている。