[論文レビュー] A novel and reliable deep learning web-based tool to detect COVID-19 infection form chest CT-scan

Abdolkarim Saeedi, Maryam Saeedi+1 more|arXiv (Cornell University)|Jun 24, 2020

COVID-19 diagnosis using AI参考文献 5被引用数 13

ひとこと要約

本論文では、特徴抽出にDenseNetを、分類にNu-SVMを組み合わせたハイブリッドモデルを用いて、胸郭CT画像からCOVID-19を検出する信頼性の高いウェブベースのディープラーニングツールを提示する。システムは90.61%の正確性、90.80%の再現率、89.76%の適合率、AUCが95.05%を達成し、1枚あたりの推論時間はたったの39ミリ秒である。

ABSTRACT

The corona virus is already spread around the world in many countries, and it has taken many lives. Furthermore, the world health organization (WHO) has announced that COVID-19 has reached the global epidemic stage. Early and reliable diagnosis using chest CT-scan can assist medical specialists in vital circumstances. In this work, we introduce a computer aided diagnosis (CAD) web service to detect COVID- 19 online. One of the largest public chest CT-scan databases, containing 746 participants was used in this experiment. A number of well-known deep neural network architectures consisting of ResNet, Inception and MobileNet were inspected to find the most efficient model for the hybrid system. A combination of the Densely connected convolutional network (DenseNet) in order to reduce image dimensions and Nu-SVM as an anti-overfitting bottleneck was chosen to distinguish between COVID-19 and healthy controls. The proposed methodology achieved 90.80% recall, 89.76% precision and 90.61% accuracy. The method also yields an AUC of 95.05%. Ultimately a flask web service is made public through ngrok using the trained models to provide a RESTful COVID-19 detector, which takes only 39 milliseconds to process one image. The source code is also available at this https URL. Based on the findings, it can be inferred that it is feasible to use the proposed technique as an automated tool for diagnosis of COVID-19.

研究の動機と目的

• 胸郭CTスキャン画像を用いて、早期にCOVID-19を検出できる自動的で信頼性が高く、アクセスしやすいウェブベースのツールを開発すること。
• 世界的なCOVID-19パンデミックの時期に、タイムリーかつ正確な診断を達成する挑戦に、ディープラーニングを活用すること。
• CTスキャンの手動解釈に依存するのを減らすことで、医療専門家の診断効率を向上させること。
• リアルタイムのCOVID-19検出を可能にする、公開可能で低遅延のRESTfulウェブサービスを構築すること。

提案手法

• 胸郭CTスキャンから階層的特徴を抽出し、画像の次元を低減するためにDenseNetを用いたハイブリッドディープラーニングモデルを開発した。
• 過学習を防ぐためのバッファとしての役割を果たすために、Nu-SVMを分類器として採用し、一般化性能を向上させた。
• 公開データセット（COVID-19陽性例および健康な対照群を含む746名分）を用いて、モデルの学習と検証を実施した。
• ハイブリッドシステムに最適なアーキテクチャを特定するために、複数のディープニューラルネットワーク（ResNet、Inception、MobileNet）を評価した。
• Flaskを用いたウェブサービスを構築し、ngrokを用いてトレーニング済みモデルをホスティングし、REST APIを介して一般公開した。
• システムは1枚のCT画像をたった39ミリ秒で処理でき、臨床現場でのリアルタイム運用を可能にした。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングベースのウェブサービスは、胸郭CTスキャンからのCOVID-19検出において、高い正確性と低遅延を達成できるか？
• RQ2 この診断タスクにおいて、Nu-SVM分類器と組み合わせた場合、どのディープニューラルネットワークアーキテクチャが最も優れた性能を示すか？
• RQ3 CT画像を用いて、信頼性が高く、一般公開可能なウェブベースのCADシステムをCOVID-19検出に実装することは可能か？
• RQ4 ハイブリッドDenseNet-Nu-SVMモデルは、高い診断性能を維持しつつ、過学習をどれほど効果的に低減できるか？

主な発見

• 提案されたウェブベースのCADシステムは、テストセットにおいてCOVID-19陽性例と健康対照群を区別する際、90.61%の正確性を達成した。
• モデルは90.80%の高い再現率を示し、陽性例の検出感度が優れていることを示した。
• 適合率は89.76%に記録され、誤って陽性と判断されるケース（偽陽性）が最小限に抑えられ、信頼性の高い陽性予測が可能であることが示された。
• 受信者操作特性曲線（ROC）の下側面積（AUC）は95.05%に達し、優れた全体的な診断識別性能を示した。
• システムは1枚のCT画像をわずか39ミリ秒で処理でき、臨床現場でのリアルタイム導入が可能である。
• ソースコードとトレーニング済みモデルは公開されており、透明性と再現可能性を支援している。