[論文レビュー] Advancing Diagnostic Precision: Leveraging Machine Learning Techniques for Accurate Detection of Covid-19, Pneumonia, and Tuberculosis in Chest X-Ray Images

Aditya Kulkarni, Guruprasad Parasnis+4 more|arXiv (Cornell University)|Oct 9, 2023

COVID-19 diagnosis using AIMedicine被引用数 3

ひとこと要約

本論文は、高度な画像前処理とディープラーニングを用いて、胸部レントゲン画像におけるCOVID-19、肺炎、結核のマルチクラス検出のための新しい畳み込みニューラルネットワーク（CNN）を提案する。複数の公的データセットで、VGG19、ResNet、DenseNetなどの転移学習モデルを上回る最先端の性能を達成し、AUCスコアはCOVID-19で0.95、結核で0.99、肺炎で0.98を記録した。

ABSTRACT

Lung diseases such as COVID-19, tuberculosis (TB), and pneumonia continue to be serious global health concerns that affect millions of people worldwide. In medical practice, chest X-ray examinations have emerged as the norm for diagnosing diseases, particularly chest infections such as COVID-19. Paramedics and scientists are working intensively to create a reliable and precise approach for early-stage COVID-19 diagnosis in order to save lives. But with a variety of symptoms, medical diagnosis of these disorders poses special difficulties. It is essential to address their identification and timely diagnosis in order to successfully treat and prevent these illnesses. In this research, a multiclass classification approach using state-of-the-art methods for deep learning and image processing is proposed. This method takes into account the robustness and efficiency of the system in order to increase diagnostic precision of chest diseases. A comparison between a brand-new convolution neural network (CNN) and several transfer learning pre-trained models including VGG19, ResNet, DenseNet, EfficientNet, and InceptionNet is recommended. Publicly available and widely used research datasets like Shenzen, Montogomery, the multiclass Kaggle dataset and the NIH dataset were used to rigorously test the model. Recall, precision, F1-score, and Area Under Curve (AUC) score are used to evaluate and compare the performance of the proposed model. An AUC value of 0.95 for COVID-19, 0.99 for TB, and 0.98 for pneumonia is obtained using the proposed network. Recall and precision ratings of 0.95, 0.98, and 0.97, respectively, likewise met high standards.

研究の動機と目的

• 胸部レントゲン画像からのCOVID-19、肺炎、結核の正確な検出を目的とした、強固でマルチクラスのディープラーニングモデルの開発。
• ヒストグラム均一化やノイズ除去などの高度な画像前処理技術を統合することで、診断の正確性を向上。
• 公的データセットを用いて、VGG19、ResNet、DenseNetなどの既存の転移学習モデルを上回る、胸部疾患の分類性能の向上。
• 複数のデータセットにわたる厳密な評価を通じて、臨床診断における自動胸部レントゲン画像解析のベンチマークを確立。
• 実世界の医療応用における信頼性を高めるために、誤検出（偽陽性・偽陰性）の低減を図る。

提案手法

• 特徴学習と一般化性能の向上を目的に、残差接続とグローバル平均プーリングを備えたカスタム畳み込みニューラルネットワーク（CNN）を設計。
• 入力品質とモデルの頑健性を向上させるために、ノイズ除去、ヒストグラム均一化、画像スケーリングを含む前処理を実施。
• 4つの公的データセット（深セン、モンゴメリー、NIH、および7,395枚のレントゲン画像を含むマルチクラスKaggleデータセット）を用いて、モデルの学習と評価を実施。
• 同一の評価プロトコルを用いて、VGG19、ResNet、DenseNet、EfficientNet、InceptionNetなどの転移学習モデルと比較。
• 標準指標（再現率、適合率、F1スコア、受信者操作特性曲線下積分（AUC））を用いて性能を評価し、ヒストグラム均一化が最適な前処理ステップであると特定。
• マルチクラス出力のためのソフトマックス分類器を採用し、データオーグメンテーションを用いた微調整により一般化性能を向上。

Figure 1: Data Pre-processing by Augmentation

実験結果

リサーチクエスチョン

• RQ1 カスタム設計されたCNNは、胸部レントゲン画像からのCOVID-19、肺炎、結核のマルチクラス検出において、既存の転移学習モデルを上回ることができるか？
• RQ2 ヒストグラム均一化による前処理は、他の画像強調技術と比較して、多様なデータセットにおけるモデル性能の向上にどの程度寄与するか？
• RQ3 NIHやマルチクラスKaggleなどのベンチマークデータセットにおける、提案モデルの診断精度は何か？
• RQ4 従来の手動診断および先行するディープラーニング手法と比較して、本モデルは偽陽性・偽陰性をどの程度低減できるか？
• RQ5 本モデルは、実臨床現場における異なる撮影条件や患者集団に一般化可能か？

主な発見

• 提案されたCNNは、COVID-19でAUC 0.95、結核で0.99、肺炎で0.98を達成し、評価されたすべての転移学習モデルを上回った。
• COVID-19に対して再現率0.95、適合率0.98、F1スコア0.97を記録し、高い感受性と特異性を示した。
• ヒストグラム均一化が最も効果的な前処理手法であると特定され、すべてのデータセットでモデル性能を顕著に向上させた。
• マルチクラスKaggleデータセットではAUC 0.98を達成し、疾患クラスにわたる優れた一般化性能を示した。
• 先行研究におけるResNet-50（AUC 0.77）およびDenseNet-121（AUC 0.76）を上回ったことから、本モデルの最先端の性能が確認された。
• 7,395枚のレントゲン画像を含むマルチクラステストセットにおいて、99.3%の正確性、0.99の感受性、0.99の特異性を達成し、優れた診断信頼性を示した。

Figure 2: Data Pre-processing by LTP