[論文レビュー] Classification of COVID-19 X-ray Images Using a Combination of Deep and Handcrafted Features

Weihan Zhang, Bryan Pogorelsky+2 more|arXiv (Cornell University)|Jan 19, 2021

COVID-19 diagnosis using AI参考文献 29被引用数 13

ひとこと要約

本稿では、X線画像を用いたCOVID-19、肺炎、健康状態の診断を目的として、手作業で特徴を抽出した特徴量（308個、テクスチャ、GLCM、GLDM、FFT、ウェーブレット、LBP変換から得られる）と、事前学習済みのVGG16およびResNet50ネットワークからの深層特徴量を融合するハイブリッド分類フレームワークを提案する。統合された特徴量はSVM分類器に供給され、98.8％の精度を達成した。これは、単体のCNN（98.3％）および手作業特徴量のみのSVM（96.3％）を上回る結果である。

ABSTRACT

Coronavirus Disease 2019 (COVID-19) demonstrated the need for accurate and fast diagnosis methods for emergent viral diseases. Soon after the emergence of COVID-19, medical practitioners used X-ray and computed tomography (CT) images of patients' lungs to detect COVID-19. Machine learning methods are capable of improving the identification accuracy of COVID-19 in X-ray and CT images, delivering near real-time results, while alleviating the burden on medical practitioners. In this work, we demonstrate the efficacy of a support vector machine (SVM) classifier, trained with a combination of deep convolutional and handcrafted features extracted from X-ray chest scans. We use this combination of features to discriminate between healthy, common pneumonia, and COVID-19 patients. The performance of the combined feature approach is compared with a standard convolutional neural network (CNN) and the SVM trained with handcrafted features. We find that combining the features in our novel framework improves the performance of the classification task compared to the independent application of convolutional and handcrafted features. Specifically, we achieve an accuracy of 0.988 in the classification task with our combined approach compared to 0.963 and 0.983 accuracy for the handcrafted features with SVM and CNN respectively.

研究の動機と目的

• 手作業特徴量と深層学習特徴量を統合することで、X線画像におけるCOVID-19検出の精度を向上させること。
• 純粋なCNNモデルにおける小規模データセットや過学習の制限を、補完的な特徴タイプの統合によって克服すること。
• 特徴量の融合が、健康、肺炎、COVID-19の3つの肺疾患を分類する際、単体の深層学習または手作業特徴量アプローチを上回ることを評価すること。
• SVMが統合特徴量の分類に有効であることを、医用画像分類の文脈で検証すること。

提案手法

• 前処理として、X線画像を224×224にリサイズし、局所的なコントラストを向上させるためにアダプティブヒストグラム均一化を適用する。
• テクスチャ、GLCM、GLDM、FFT、ウェーブレット、LBPの6つの変換タイプに対して、14種類の統計的測定（例：平均、標準偏差、エントロピー、エネルギー）を用いて合計308個の手作業特徴量を抽出する。
• 事前学習済みのVGG16およびResNet50モデルの全結合層から深層特徴量を抽出し、ImageNetの重みを固定した状態で微調整する。
• 深層特徴量の次元を1,000次元にまで低減するために、カーネルPCAを用いる。これにより、手作業特徴量の数と一致させるとともに、冗長性を低減する。
• 両方のソースからの特徴量を連結し、1対すべての戦略を用いた線形SVM分類器に供給する。
• モデルは、バランスの取れた5,143枚のX線画像（COVID-19：1,143枚、正常：2,000枚、肺炎：2,000枚）から成るデータセットを用い、80％を訓練用、20％をテスト用に分割して学習・評価する。

実験結果

リサーチクエスチョン

• RQ1 手作業特徴量と深層特徴量の融合は、単体のいずれかの特徴タイプを使用する場合と比較して、COVID-19、肺炎、健康状態のX線画像分類精度を向上させることができるか？
• RQ2 統合特徴量を学習対象としたSVM分類器の性能は、X線画像からの肺疾患診断において、標準的なCNN（VGG16、ResNet50）と比較してどうなるか？
• RQ3 個々の手作業特徴量グループ（例：ウェーブレット、GLCM、LBP）の中で、分類性能に最も寄与しているのはどれか？
• RQ4 提案されたハイブリッドモデルは、ベースラインモデルと比較して、誤検出率および誤陰性率を低減するか？

主な発見

• VGG16ベースの深層特徴量と手作業特徴量を統合したSVMモデルは、98.8％の精度を達成し、最高の単体手法（ResNet50：98.3％）を顕著に上回った。
• 手作業特徴量のみで学習したSVMは96.3％の精度を示したが、これはすべての統合モデルに下回った。
• 手作業特徴量グループの中で、ウェーブレット変換が最も高い個別精度（94.0％）を示し、次いでGLDM（90.0％）、GLCM（89.6％）の順であった。
• 両方の統合モデルの混同行列は、誤陰性率（0.41％）および誤検出率（0.13％）が極めて低く、高い信頼性を示していた。
• VGG16＋手作業特徴量統合モデルのF1スコアは0.989に達し、3クラスすべてにおいて精度と再現率のバランスが良好であることを示した。
• ResNet50ベースの統合モデルは98.7％の精度と0.988のF1スコアを達成し、異なるバックボーンネットワークを用いた場合でも一貫した高い性能を確認した。