[論文レビュー] Chest X-ray Image Phase Features for Improved Diagnosis of COVID-19 Using Convolutional Neural Network

Qi Xiao, Lloyd Brown+2 more|arXiv (Cornell University)|Nov 6, 2020

COVID-19 diagnosis using AI参考文献 32被引用数 10

ひとこと要約

本稿では、元の画像と局所位相強調処理を施した胸部X線画像（CXR）を統合することで、COVID-19の診断を向上させるマルチフェーチャー畳み込みニューラルネットワーク（CNN）を提案する。微細な病変パターンを強調するように位相特徴を強化することで、8,851例の正常、6,045例の肺炎、3,323例のCOVID-19スキャンを含む大規模データセットで95.57%の正確性を達成し、COVID-19検出のF1スコアは99%に達した。

ABSTRACT

Recently, the outbreak of the novel Coronavirus disease 2019 (COVID-19) pandemic has seriously endangered human health and life. Due to limited availability of test kits, the need for auxiliary diagnostic approach has increased. Recent research has shown radiography of COVID-19 patient, such as CT and X-ray, contains salient information about the COVID-19 virus and could be used as an alternative diagnosis method. Chest X-ray (CXR) due to its faster imaging time, wide availability, low cost and portability gains much attention and becomes very promising. Computational methods with high accuracy and robustness are required for rapid triaging of patients and aiding radiologist in the interpretation of the collected data. In this study, we design a novel multi-feature convolutional neural network (CNN) architecture for multi-class improved classification of COVID-19 from CXR images. CXR images are enhanced using a local phase-based image enhancement method. The enhanced images, together with the original CXR data, are used as an input to our proposed CNN architecture. Using ablation studies, we show the effectiveness of the enhanced images in improving the diagnostic accuracy. We provide quantitative evaluation on two datasets and qualitative results for visual inspection. Quantitative evaluation is performed on data consisting of 8,851 normal (healthy), 6,045 pneumonia, and 3,323 Covid-19 CXR scans. In Dataset-1, our model achieves 95.57\% average accuracy for a three classes classification, 99\% precision, recall, and F1-scores for COVID-19 cases. For Dataset-2, we have obtained 94.44\% average accuracy, and 95\% precision, recall, and F1-scores for detection of COVID-19. Our proposed multi-feature guided CNN achieves improved results compared to single-feature CNN proving the importance of the local phase-based CXR image enhancement (https://github.com/endiqq/Fus-CNNs_COVID-19).

研究の動機と目的

• 微細な初期段階の画像所見によるCXRベースのCOVID-19診断における感度と特異度の低さという課題に対処する。
• CXRスキャンの放射線的解釈における被験者間および被験者内ばらつきを低減する。
• 局所位相に基づく強調処理から得られる強化画像特徴を統合することで、深層学習モデルの診断正確性を向上させる。
• 広く利用可能で低コストなCXR画像を用いて、疑わしいCOVID-19症例のスクリーニングに耐性があり汎用性の高いモデルを開発する。
• 正常、肺炎、COVID-19症例を分類する際、マルチフェーチャー統合（元の画像＋強調画像）が単一特徴CNNに比べて優れていることを示す。

提案手法

• 局所位相に基づく画像強調法を適用し、CXR画像内の微細なテクスチャーや構造的詳細を強調することで、COVID-19関連の不透明領域の可視性を向上させる。
• オリジナル画像と強調画像をマルチチャネル入力として、特徴レベル統合を可能にするカスタムCNNアーキテクチャに供給する。
• 特徴の相互作用メカニズムを比較し、パフォーマンス最適化を図るため、初期、中間、後期統合戦略を実装する。
• 2つの大規模な公開データセットを用いてモデルを学習する：1つ目は18,229スキャン（正常8,851例、肺炎6,045例、COVID-19 3,323例）、2つ目は10,400スキャン。
• 5分割交差検証とアブレーションスタディを用い、画像強調処理が診断パフォーマンスに与える寄与を分離する。
• 標準指標（正確性、適合率、再現率、F1スコア）を用いてモデルのパフォーマンスを評価し、統計的有意性を報告する。

実験結果

リサーチクエスチョン

• RQ1 局所位相に基づく画像強調処理は、CXR画像を正常、肺炎、COVID-19に分類するCNNの診断パフォーマンスを顕著に向上させるか？
• RQ2 オリジナル画像と強調画像のマルチフェーチャー統合は、単一特徴CNNと比較して分類正確性と頑健性において優れているか？
• RQ3 オリジナル画像と強調画像入力からの特徴を統合する最適な戦略（初期、中間、後期）は何か？
• RQ4 本手法は、COVID-19検出のための大規模で現実的なCXRデータセットにおいて、最先端のパフォーマンスを達成するか？
• RQ5 画像強調処理は、偽陽性をどれほど低減させ、初期段階または軽症のCOVID-19症例の検出をどれほど向上させるか？

主な発見

• 提案されたマルチフェーチャーCNNは、データセット1で平均95.57%の正確性を達成し、COVID-19クラスでは適合率、再現率、F1スコアが99%に達した。
• データセット2では、平均94.44%の正確性とCOVID-19のF1スコア95%を達成し、異なるデータ分割に対して高い頑健性を示した。
• アブレーションスタディにより、画像強調処理が診断正確性を顕著に向上させることを確認し、位相に基づく特徴強調の価値を裏付けた。
• ほとんどのアーキテクチャにおいて、後期統合戦略が初期および中間統合を上回り、特にEfficientNetB4およびXceptionでは最大94.01%の正確性を達成した。
• Xceptionアーキテクチャを用いた後期統合モデルは、データセット2で最高のF1スコア94.01%を達成し、適合率と再現率のバランスが良好であることを示した。
• 特に大規模で多様なデータセットにおいて、本手法は既存の最先端モデルに比べ、正確性およびデータセットサイズの両面で優れた性能を示した。