[論文レビュー] Comparative Analysis of State-of-the-Art Deep Learning Models for Detecting COVID-19 Lung Infection from Chest X-Ray Images

Zeba Ghaffar, Pir Masoom Shah+6 more|arXiv (Cornell University)|Jul 1, 2022

COVID-19 diagnosis using AI被引用数 4

ひとこと要約

本研究では、コロナウイルス感染症（COVID-19）をチ胸X線画像から分類するための10種類の最先端の深層畳み込みニューラルネットワーク（CNN）の性能を評価し、MobileNetおよびEfficientNetを用いて最大95％の平均精度を達成した。モデルはGrad-CAM可視化により解釈可能となり、自動診断における臨床的信頼性と解釈可能性が向上した。

ABSTRACT

The ongoing COVID-19 pandemic has already taken millions of lives and damaged economies across the globe. Most COVID-19 deaths and economic losses are reported from densely crowded cities. It is comprehensible that the effective control and prevention of epidemic/pandemic infectious diseases is vital. According to WHO, testing and diagnosis is the best strategy to control pandemics. Scientists worldwide are attempting to develop various innovative and cost-efficient methods to speed up the testing process. This paper comprehensively evaluates the applicability of the recent top ten state-of-the-art Deep Convolutional Neural Networks (CNNs) for automatically detecting COVID-19 infection using chest X-ray images. Moreover, it provides a comparative analysis of these models in terms of accuracy. This study identifies the effective methodologies to control and prevent infectious respiratory diseases. Our trained models have demonstrated outstanding results in classifying the COVID-19 infected chest x-rays. In particular, our trained models MobileNet, EfficentNet, and InceptionV3 achieved a classification average accuracy of 95\%, 95\%, and 94\% test set for COVID-19 class classification, respectively. Thus, it can be beneficial for clinical practitioners and radiologists to speed up the testing, detection, and follow-up of COVID-19 cases.

研究の動機と目的

• チ胸X線画像からのCOVID-19の検出における上位10種の最先端の深層CNNの有効性を評価すること。
• COVID-19、正常、および肺炎の各症例における分類精度の観点から、モデルの性能を比較すること。
• 臨床的妥当性と信頼性の向上を目的として、Grad-CAM可視化によるモデルの解釈可能性を向上させること。
• 早期のCOVID-19検出のための従来のRT-PCR検査に代わる実用的で迅速かつ低コストな代替手段を提供すること。
• 迅速な診断と患者フォローアップを支援するため、放射線科医および臨床医にAI支援ツールを提供すること。

提案手法

• チ胸X線データセットを用いて、MobileNet、EfficientNet、InceptionV3、DenseNet、ResNet、NASNetの変種を含む10種類の最先端の深層CNNアーキテクチャを訓練した。
• ImageNetで事前学習された重みを用いた転移学習を活用し、二値分類（COVID-19 対 正常／肺炎）および多クラス分類タスクに適応した。
• 一般化性能の向上と過学習の低減を目的として、データオーグメンテーション技術を用いた。
• 予測に影響を与えたX線画像の領域を可視化するため、Grad-CAM（勾配クラス活性化マッピング）を適用した。
• 保持されたテストセットを用いて、標準指標（正確性、適合率、再現率、F1スコア）を用いてモデルの性能を評価した。
• 正しく分類された例と誤分類された例の両方についてGrad-CAMマップを可視化することで、モデルの推論プロセスと信頼性を評価する定性的分析を実施した。

実験結果

リサーチクエスチョン

• RQ1 どの最先端のディープラーニングモデルが、チ胸X線画像からのCOVID-19検出において最高の分類精度を達成するか？
• RQ2 異なるCNNアーキテクチャは、COVID-19、正常、肺炎の複数クラスにおいて、適合率および再現率の観点でどのように性能を発揮するか？
• RQ3 Grad-CAMによる解釈可能性は、医療専門家におけるAIベース診断への信頼性をどの程度向上させるか？
• RQ4 ディープラーニングモデルは、特に肺領域において、臨床的専門知識と関連する微細な病理的パターンを検出できるか？
• RQ5 これらのモデルの失敗モードは何か。また、注視マップは誤分類のパターンをどのように明らかにするか？

主な発見

• MobileNetおよびEfficientNetは、チ胸X線からのCOVID-19分類において、平均95％の最高テスト精度を達成し、他のモデルを上回った。
• InceptionV3は平均94％のテスト精度を達成し、深層アーキテクチャであるにもかかわらず、強力な性能を示した。
• Grad-CAMの可視化結果から、モデルがCOVID-19症例を分類する際、放射線学的専門知識と整合するように肺領域に注目していることが確認された。
• 正常X線の場合、モデルは主に肋骨構造に注目しており、期待される解剖学的特徴と一致した。
• 肺炎症例では、モデルが肺の上葉に注目しており、肺感染症の既知の画像所見と一致した。
• 誤分類例の分析から、注視マップが非肺領域や非特異的領域に注目することがあり、曖昧な症例における一般化性能の限界が示された。