[論文レビュー] COVID-19 Detection in Chest X-Ray Images using a New Channel Boosted CNN

Saddam Hussain Khan, Anabia Sohail+1 more|arXiv (Cornell University)|Dec 8, 2020

COVID-19 diagnosis using AI被引用数 6

ひとこと要約

本論文では、分岐変換統合（STM）ブロックを用いて領域、エッジ、テクスチャ特徴を捉えることで、コロナウイルス感染症の胸部X線画像における特徴抽出を強化する、新しいチャネルブースト型CNNアーキテクチャであるCB-STM-RENetを提案する。さらに、転移学習に基づく補助チャネルを組み合わせた。この手法は、挑戦的なCoV-NonCoV-15kデータセットで97%の検出精度と93%の適合率を達成し、既存手法を上回った。

ABSTRACT

COVID-19 is a highly contagious respiratory infection that has affected a large population across the world and continues with its devastating consequences. It is imperative to detect COVID-19 at the earliest to limit the span of infection. In this work, a new classification technique CB-STM-RENet based on deep Convolutional Neural Network (CNN) and Channel Boosting is proposed for the screening of COVID-19 in chest X-Rays. In this connection, to learn the COVID-19 specific radiographic patterns, a new convolution block based on split-transform-merge (STM) is developed. This new block systematically incorporates region and edge-based operations at each branch to capture the diverse set of features at various levels, especially those related to region homogeneity, textural variations, and boundaries of the infected region. The learning and discrimination capability of the proposed CNN architecture is enhanced by exploiting the Channel Boosting idea that concatenates the auxiliary channels along with the original channels. The auxiliary channels are generated from the pre-trained CNNs using Transfer Learning. The effectiveness of the proposed technique CB-STM-RENet is evaluated on three different datasets of chest X-Rays namely CoV-Healthy-6k, CoV-NonCoV-10k, and CoV-NonCoV-15k. The performance comparison of the proposed CB-STM-RENet with the existing techniques exhibits high performance both in discriminating COVID-19 chest infections from Healthy, as well as, other types of chest infections. CB-STM-RENet provides the highest performance on all these three datasets; especially on the stringent CoV-NonCoV-15k dataset. The good detection rate (97%), and high precision (93%) of the proposed technique suggest that it can be adapted for the diagnosis of COVID-19 infected patients. The test code is available at https://github.com/PRLAB21/COVID-19-Detection-System-using-Chest-X-Ray-Images.

研究の動機と目的

• 胸部X線画像におけるCOVID-19と健康および非COVID-19を正確に区別できる深層学習モデルの開発を目的とする。
• 新規の分岐変換統合（STM）畳み込みブロックを用いて、領域均一性、エッジ検出、テクスチャ変動に注目した特徴表現の向上を図る。
• 転移学習を用いて生成された補助チャネルを導入することで、モデルの識別能力を向上させる。この手法は「チャネルブースティング」と呼ばれる。
• 多様な胸部X線データセット、特にきびしいテストセットを用いた、モデルの頑健性と一般化性能の検証を目的とする。

提案手法

• 特徴を並列処理する3つの分岐ブランチを備えた、新規の分岐変換統合（STM）畳み込みブロックを設計した。各ブランチは領域均一性、エッジ検出、テクスチャ変動に特化している。
• STMブロックは空間変換と特徴統合を適用し、X線画像における微細なCOVID-19パターンを特定するための多段階的表現を抽出する。
• チャネルブースティングは、事前学習済みのCNN（例：ResNet）からの補助特徴マップを主ネットワークの特徴マップに連結することで実装された。これにより表現能力が向上した。
• 転移学習を用いて補助チャネルを生成し、限られたラベル付きデータでも特徴学習を改善する。
• 最終的なアーキテクチャであるCB-STM-RENetは、3つの公開データセット（CoV-Healthy-6k、CoV-NonCoV-10k、CoV-NonCoV-15k）上でエンドツーエンドで訓練された。
• モデル評価には、すべてのデータセットで正確性、適合率、F1スコアといった標準指標を用い、性能を評価した。

実験結果

リサーチクエスチョン

• RQ1 分岐変換統合ブロックを備えた新規CNNアーキテクチャは、胸部X線画像におけるCOVID-19特有の領域、エッジ、テクスチャ特徴を効果的に学習できるか？
• RQ2 転移学習に基づく補助チャネルの統合は、リソースが限られた医療画像分類タスクにおいて分類性能を顕著に向上させるか？
• RQ3 CB-STM-RENetは、多様で現実世界の胸部X線データセット、特にきびしいテストセットにおいて、最先端のモデルと比較してどのように性能を発揮するか？
• RQ4 チャネルブースティング機構は、COVID-19、非COVID-19、健康状態の3者間の特徴識別をどの程度向上させるか？

主な発見

• CB-STM-RENetは、クラス類似度が極めて高いとして知られるCoV-NonCoV-15kデータセットで97%の検出精度を達成した。
• CoV-NonCoV-15kデータセットにおいて、適合率が93%に達し、陽性例の予測における信頼性が高く示された。
• 性能向上は特にCoV-NonCoV-15kデータセットで顕著であり、精度と適合率の両面で既存手法を上回った。
• 転移学習に基づく補助チャネルの統合は、モデルの特徴学習および識別能力を顕著に向上させた。