[論文レビュー] Automatic Detection of COVID-19 Cases on X-ray images Using Convolutional Neural Networks

Lucas Pedrosa Soares, Cesar P. Soares|arXiv (Cornell University)|Jul 2, 2020

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

ひとこと要約

本研究では、VGG-16、ResNet、Xceptionの畳み込みニューラルネットワークを用いた転移学習を活用した深層学習的手法を提案し、胸部レントゲン画像からCOVID-19を自動で検出する。VGG-16モデルは、75枚の未学習画像から成るテストセットで97.3％の正確性を達成し、39例のCOVID-19症例をすべて正しく特定し、過学習を最小限に抑えながら優れた汎化性能を示した。

ABSTRACT

In recent months the world has been surprised by the rapid advance of COVID-19. In order to face this disease and minimize its socio-economic impacts, in addition to surveillance and treatment, diagnosis is a crucial procedure. However, the realization of this is hampered by the delay and the limited access to laboratory tests, demanding new strategies to carry out case triage. In this scenario, deep learning models are being proposed as a possible option to assist the diagnostic process based on chest X-ray and computed tomography images. Therefore, this research aims to automate the process of detecting COVID-19 cases from chest images, using convolutional neural networks (CNN) through deep learning techniques. The results can contribute to expand access to other forms of detection of COVID-19 and to speed up the process of identifying this disease. All databases used, the codes built, and the results obtained from the models' training are available for open access. This action facilitates the involvement of other researchers in enhancing these models since this can contribute to the improvement of results and, consequently, the progress in confronting COVID-19.

研究の動機と目的

• COVID-19のRT-PCR検査の遅延および限られたアクセスを解消するため、医療画像を用いた代替診断法を開発すること。
• 胸部レントゲン画像におけるCOVID-19の自動同定により、症例のトリアージを改善し、検出を迅速化すること。
• 深層学習モデルを活用して、特にリソースが限られた環境においても診断のアクセス性を向上させること。
• すべてのモデル、コード、データセットをオープンアクセスで公開することで、共同研究を促進し、モデルの改善と検証を促進すること。

提案手法

• ImageNetで事前学習された畳み込み層を用いた転移学習により、VGG-16、ResNet、Xceptionの3つの深層学習アーキテクチャを訓練した。
• 小さなCOVID-19レントゲン画像データセットに適応させるために、畳み込み重みを固定したまま、全結合層のみを微調整した。
• 375枚の胸部レントゲン画像のデータセットを用いた：COVID-19陽性が175例、正常が100例、他の肺感染症が100例。
• データセットのキュレーションを通じて、暗黙的にデータオーグメンテーションを実施し、モデル評価のため10％の検証用および10％のテスト用に分割した。
• 固定初期学習率0.001のAdam最適化手法とカテゴリカル交差エントロピー損失関数を用いてモデルを最適化した。
• 正確性、混同行列、およびクラスアクティベーションマップ（Grad-CAM）を用いて、モデルの注目領域を解釈する形で性能を評価した。

実験結果

リサーチクエスチョン

• RQ1 事前学習済みCNNを用いた転移学習は、限られた胸部レントゲン画像データセットからCOVID-19を効果的に検出できるか？
• RQ2 VGG-16、ResNet、Xceptionといった異なる深層学習アーキテクチャは、COVID-19、正常、他の肺感染症の各症例を分類する上で、どのように比較されるか？
• RQ3 モデルは未学習のテストデータにどの程度汎化できるか、陽性COVID-19症例を同定する正確性はいかほどか？
• RQ4 モデルは胸部レントゲン画像のどの部分に注目して、COVID-19と分類しているのか？その注目領域は、既知の病理的パターンと整合性があるか？
• RQ5 モデルおよびトレーニングコードのオープンソース公開は、AI駆動のCOVID-19検出における共同改善を促進できるか？

主な発見

• VGG-16モデルは、独立したテストセットの75枚中73枚を正しく分類し、最高のテスト正確性97.3％を達成した。
• VGG-16モデルは、39例すべてのCOVID-19症例を正しく同定し、陽性クラスの感度が100％であった。
• 正常肺レントゲンの分類で88.2％の正確性を達成し、他の感染症では100％の正確性を示したが、正常例のうち2例が誤検出（偽陽性）であった。
• VGG-16モデルは過学習が最も少なく、訓練損失と検証損失の曲線が密接に一致した。一方、XceptionおよびResNetは過学習の兆候を示した。
• Grad-CAMの可視化により、モデルが活性化が強い肺の領域に注目していることが確認されたが、症例間で一貫した解剖学的パターンは観察されなかった。
• GitHubおよび著者ブログでモデル、コード、データセットを公開しているため、再現性が確保され、システムの共同改善が可能になった。