[論文レビュー] Classification of COVID-19 in chest X-ray images using DeTraC deep convolutional neural network

Asmaa Abbas, Mohammed M. Abdelsamea+1 more|arXiv (Cornell University)|Mar 26, 2020

COVID-19 diagnosis using AI被引用数 5

ひとこと要約

本稿では、データの不規則性に対処するためのクラス分解機構を統合することで、コロナウイルス感染症の分類を向上させる深層畳み込みニューラルネットワーク、DeTraCを提案する。ResNet18をDeTraCの分解と転移学習に適応させたモデルは、複数病院のデータセット上で95.12%の正確性、97.91%の感度、91.87%の特異性を達成し、データ分布の課題に直面しても堅牢な性能を示している。

ABSTRACT

Chest X-ray is the first imaging technique that plays an important role in the diagnosis of COVID-19 disease. Due to the high availability of large-scale annotated image datasets, great success has been achieved using convolutional neural networks (CNNs) for image recognition and classification. However, due to the limited availability of annotated medical images, the classification of medical images remains the biggest challenge in medical diagnosis. Thanks to transfer learning, an effective mechanism that can provide a promising solution by transferring knowledge from generic object recognition tasks to domain-specific tasks. In this paper, we validate and adapt our previously developed CNN, called Decompose, Transfer, and Compose (DeTraC), for the classification of COVID-19 chest X-ray images. DeTraC can deal with any irregularities in the image dataset by investigating its class boundaries using a class decomposition mechanism. The experimental results showed the capability of DeTraC in the detection of COVID-19 cases from a comprehensive image dataset collected from several hospitals around the world. High accuracy of 95.12% (with a sensitivity of 97.91%, a specificity of 91.87%, and a precision of 93.36%) was achieved by DeTraC in the detection of COVID-19 X-ray images from normal, and severe acute respiratory syndrome cases.

研究の動機と目的

• コロナウイルス感染症分類における注釈付き医療画像データの限定性と不規則なデータ分布の課題に対処すること。
• 転移学習とデータ分解を活用することで、深層学習モデルの胸部X線画像分類性能を向上させること。
• クラスを分解することで意思決定境界の柔軟性とモデルの頑健性を向上させる、新規の深層畳み込みニューラルネットワークアーキテクチャDeTraCの検証すること。
• 医療画像において一般的に見られるデータの不規則性を処理するDeTraCの有効性を実証すること、特にリソースが限られた環境において。
• 多様で多源の胸部X線データセットに適応可能な汎用的かつ柔軟なフレームワークを提供すること。

提案手法

• DeTraCは、各元のクラスを複数のサブクラスに分割するクラス分解層を統合し、各サブセットに新しいラベルを割り当てた後、予測結果を再構成する。
• 本手法は、胸部X線データセット上で事前学習済みのResNet18モデルを微調整することで転移学習を実装し、最終全結合層を6クラス（正常、COVID-19、SARSなど）用に再訓練する。
• ハイパーパrameterには、最終層を除く全層で基底学習率0.0001、最終層で0.01、バッチサイズ64、重み減衰0.0001、モーメンタム0.95を設定した。
• 訓練の安定化と過学習の防止を図るため、5エポックごとに学習率を0.95にスケジューリングした。
• モデルは最大100エポックまで訓練され、正確性、感度、特異性、および混同行列からのAUCを用いて評価した。
• アーキテクチャは、強度の不均一性と不均衡なクラス分布を示す多様で多施設のデータセットで検証された。

実験結果

リサーチクエスチョン

• RQ1 クラス分解機構は、不規則な医療画像データセットにおける深層畳み込みニューラルネットワークの頑健性を向上させることができるか？
• RQ2 DeTraCは、胸部X線画像からのCOVID-19検出において、標準的な転移学習手法と比較してどのように異なるか？
• RQ3 DeTraCは、医療画像におけるデータの不規則性によって引き起こされる性能低下をどの程度軽減できるか？
• RQ4 クラス分解と転移学習を統合することで、COVID-19検出における感度と特異性が向上するか？
• RQ5 DeTraCは、画像品質や分布が異なる多様で多源の胸部X線データセットに一般化可能か？

主な発見

• DeTraC-ResNet18は、正常、COVID-19、SARSを含む6つのカテゴリに分類する胸部X線画像で95.12%の正確性を達成した。
• 高い感度97.91%は、陽性COVID-19症例の強力な検出能力を示している。
• 91.87%の特異性は、データの不規則性が存在しても、病変ありと病変なしのケースを確実に区別できることを確認している。
• 学習曲線は、過学習が最小限に抑えられ、重み減衰0.0001のおかげで安定した訓練およびテスト性能を示した。
• AUC曲線は、強力な識別能力を確認しており、DeTraCモデルは標準的なResNet18（正確性92.5%）を上回った。
• DeTraCは感度において標準的なResNet18（65.01%）を著しく上回り、陽性症例の検出における有効性を強く示している。