[論文レビュー] Classification of COVID-19 in Chest CT Images using Convolutional Support Vector Machines

Umut Özkaya, Şaban Öztürk+3 more|arXiv (Cornell University)|Nov 11, 2020

COVID-19 diagnosis using AI参考文献 22被引用数 27

ひとこと要約

本論文は、転移学習を用いない、スクラッチから訓練する新しい畳み込みサポートベクターマシン（CSVM）モデルを提案し、胸部CT画像におけるCOVID-19の自動検出を実現する。CSVMは94.03%の正確性、96.09%の感受性、94.10%のF1スコアを達成し、75/25%の訓練・テスト分割データセットにおいて事前学習済みCNNを上回る性能を示した。

ABSTRACT

Purpose: Coronavirus 2019 (COVID-19), which emerged in Wuhan, China and affected the whole world, has cost the lives of thousands of people. Manual diagnosis is inefficient due to the rapid spread of this virus. For this reason, automatic COVID-19 detection studies are carried out with the support of artificial intelligence algorithms. Methods: In this study, a deep learning model that detects COVID-19 cases with high performance is presented. The proposed method is defined as Convolutional Support Vector Machine (CSVM) and can automatically classify Computed Tomography (CT) images. Unlike the pre-trained Convolutional Neural Networks (CNN) trained with the transfer learning method, the CSVM model is trained as a scratch. To evaluate the performance of the CSVM method, the dataset is divided into two parts as training (%75) and testing (%25). The CSVM model consists of blocks containing three different numbers of SVM kernels. Results: When the performance of pre-trained CNN networks and CSVM models is assessed, CSVM (7x7, 3x3, 1x1) model shows the highest performance with 94.03% ACC, 96.09% SEN, 92.01% SPE, 92.19% PRE, 94.10% F1-Score, 88.15% MCC and 88.07% Kappa metric values. Conclusion: The proposed method is more effective than other methods. It has proven in experiments performed to be an inspiration for combating COVID and for future studies.

研究の動機と目的

• 人工知能を用いて、胸部CT画像からのCOVID-19分類を効率的かつ自動的に行う手法を開発すること。
• SARS-CoV-2の世界的な急速な拡散に伴う、手作業診断の限界を是正すること。
• 事前学習モデルに依存しない、新しい深層学習アーキテクチャ、CSVMを提案すること。
• CSVMモデルの性能を、COVID-19のCTスキャン分類において、既存の事前学習済みCNNと比較すること。
• パンデミック期における臨床意思決定支援のための、強固で解釈可能で高精度なソリューションを提供すること。

提案手法

• 提案されたCSVMモデルは、転移学習を回避するため、スクラッチから訓練される。これにより、事前学習済み特徴量に依存しない独立性が保証される。
• アーキテクチャは、複数のブロックから構成され、各ブロックには3種類の異なるサイズのSVMカーネル（7×7、3×3、1×1）が含まれる。
• 各ブロックは、SVMカーネルを用いて空間畳み込みに類似した演算を実行し、CT画像から階層的特徴を抽出する。
• モデルは、入力CT画像をこれらのカーネルブロックの連続する層を通じて処理し、判別可能なパターンを学習する。
• 最終的な分類は、全結合層に続くソフトマックス分類器によって実行される。
• 一般化性能の評価のため、データセットは75%の訓練用と25%のテスト用に分割された。

実験結果

リサーチクエスチョン

• RQ1 サポートベクターマシンに基づく深層学習モデルは、転移学習を用いずに、胸部CT画像におけるCOVID-19を高い正確性で検出可能か？
• RQ2 提案されたCSVMモデルは、CTスキャンからのCOVID-19分類において、事前学習済みCNNと比較してどのように性能を発揮するか？
• RQ3 CSVMアーキテクチャにおけるSVMカーネルサイズ（7×7、3×3、1×1）の最適な設定は何か、最大の診断性能を発揮するには？
• RQ4 限られた医療画像データの文脈において、スクラッチからの訓練は転移学習に比べて優れたか、同等の結果をもたらすか？
• RQ5 CSVMモデルは、COVID-19症例を同定するにあたり、どの程度高い感受性と特異性を達成するか？

主な発見

• CSVM（7×7、3×3、1×1）モデルは94.03%の正確性を達成し、強力な全体的な分類性能を示した。
• 感受性96.09%は、実際にCOVID-19を有する症例を高い確率で検出できる能力を示している。
• 特異度92.01%は、非COVID症例を正しく同定できる能力を確認している。
• 適合率92.19%およびF1スコア94.10%は、適合率と再現率のバランスの取れた性能を反映している。
• マシューフェアコefficient（MCC）88.15%およびカッパ統計量88.07%は、強い一致と頑健性を示している。
• CSVMモデルは、同じデータセットにおいて事前学習済みCNNを上回り、新規でエンドツーエンドの訓練アプローチとしての有効性が裏付けられた。