[論文レビュー] Classification of COVID-19 on chest X-Ray images using Deep Learning model with Histogram Equalization and Lungs Segmentation

Aman Swaraj, Karan Verma|arXiv (Cornell University)|Dec 5, 2021

COVID-19 diagnosis using AI被引用数 4

ひとこと要約

本研究では、コントラストを向上させ、関連する領域に注目するために、ヒストグラム等化とU-Netベースの肺領域分離を用いた、胸部レントゲン画像からCOVID-19を分類するためのディープラーニングフレームワークを提案する。本手法は、特徴抽出にVGG-16を、データセットのバランス調整にSMOTEを、分類にSVMを用い、3つのクラス（健常、肺炎、COVID-19）で構成される2,470枚の画像データセットで98％の精度を達成した。

ABSTRACT

Background and Objective: Artificial intelligence (AI) methods coupled with biomedical analysis has a critical role during pandemics as it helps to release the overwhelming pressure from healthcare systems and physicians. As the ongoing COVID-19 crisis worsens in countries having dense populations and inadequate testing kits like Brazil and India, radiological imaging can act as an important diagnostic tool to accurately classify covid-19 patients and prescribe the necessary treatment in due time. With this motivation, we present our study based on deep learning architecture for detecting covid-19 infected lungs using chest X-rays. Dataset: We collected a total of 2470 images for three different class labels, namely, healthy lungs, ordinary pneumonia, and covid-19 infected pneumonia, out of which 470 X-ray images belong to the covid-19 category. Methods: We first pre-process all the images using histogram equalization techniques and segment them using U-net architecture. VGG-16 network is then used for feature extraction from the pre-processed images which is further sampled by SMOTE oversampling technique to achieve a balanced dataset. Finally, the class-balanced features are classified using a support vector machine (SVM) classifier with 10-fold cross-validation and the accuracy is evaluated. Result and Conclusion: Our novel approach combining well-known pre-processing techniques, feature extraction methods, and dataset balancing method, lead us to an outstanding rate of recognition of 98% for COVID-19 images over a dataset of 2470 X-ray images. Our model is therefore fit to be utilized in healthcare facilities for screening purposes.

研究の動機と目的

• COVID-19パンデミック期における限られた検査能力を持つ地域の診断負担を軽減するため、AIベースのスクリーニングツールを開発すること。
• 画像前処理と注目領域の集中処理により、胸部レントゲン画像におけるCOVID-19検出性能を向上させること。
• SMOTEオーバーサンプリングを用いて、医療画像データセットにおけるクラス不均衡を克服し、より強固なモデル学習を実現すること。
• ヒストグラム等化、U-Net分離、およびVGG-16を用いたトランスファー学習の組み合わせが分類に与える有効性を評価すること。
• 初期段階でのCOVID-19の検出に適した、信頼性が高く高精度なモデルを、医療機関への導入に適した形で提供すること。

提案手法

• 肺構造のコントラストと可視性を向上させるために、ヒストグラム等化を用いて胸部レントゲン画像の前処理を行う。
• 前処理済みのレントゲン画像から肺領域を分離するために、U-Netアーキテクチャを適用する。
• 分離された肺領域から階層的なパターンを捉えるために、事前学習済みのVGG-16を用いて特徴抽出を行う。
• 3つのクラス（健常、肺炎、COVID-19）にわたるデータセットのバランスを取るために、SMOTEオーバーサンプリングを実装する。
• 10分割交差検証を用いて、バランス化された高次元特徴量上でサポートベクターマシン（SVM）分類器を訓練する。
• モデルの性能を評価するために、10分割交差検証を実施し、モデルの堅牢性と一般化能力を確認する。

実験結果

リサーチクエスチョン

• RQ1 ヒストグラム等化と肺領域分離は、胸部レントゲン画像におけるCOVID-19検出の精度を向上させることができるか？
• RQ2 VGG-16による特徴抽出とSMOTEベースのデータバランス調整の組み合わせは、リソースが限られた医療画像の分類にどの程度効果的か？
• RQ3 提案されたパイプラインは、健常、肺炎、COVID-19の各症例を区別する際、ベースライン手法をどの程度上回るか？
• RQ4 U-Net分離の使用はノイズや関係のない構造を低減させ、分類器の性能向上に寄与するか？
• RQ5 提案されたモデルは、現実の医療画像シナリオで一般的な小規模で不均衡なデータセットにおいても高精度を達成できるか？

主な発見

• 提案手法は、胸部レントゲン画像におけるCOVID-19検出において98％の分類精度を達成した。
• ヒストグラム等化とU-Net分離の統合は、画像品質の向上と注目領域への集中を顕著に改善した。
• SMOTEオーバーサンプリングは、特に470枚の画像を有する少数クラス（COVID-19）において、クラス不均衡を効果的に緩和した。
• 分離された肺領域からの特徴抽出にVGG-16を用いることで、判別可能なパターンの強固な学習が可能になった。
• 10分割交差検証により、全分割で一貫した性能が確認され、モデルの安定性と一般化能力が裏付けられた。
• 本モデルは、臨床現場での早期かつ正確なCOVID-19検出を支援するための、強く有望な潜在能力を示している。