[論文レビュー] COVID-CXNet: Detecting COVID-19 in Frontal Chest X-ray Images using Deep Learning

Arman Haghanifar, Mahdiyar Molahasani Majdabadi+3 more|arXiv (Cornell University)|Jun 16, 2020

COVID-19 diagnosis using AI被引用数 32

ひとこと要約

COVID-CXNet は CheXNet を COVID-19 CXR データセットで微調整し、肺セグメンテーションと画像強調を用いて二値分類の高い精度と Grad-CAM ヒートマップによる肺炎の正確な局在化を実現します。

ABSTRACT

One of the primary clinical observations for screening the infectious by the novel coronavirus is capturing a chest x-ray image. In most of the patients, a chest x-ray contains abnormalities, such as consolidation, which are the results of COVID-19 viral pneumonia. In this study, research is conducted on efficiently detecting imaging features of this type of pneumonia using deep convolutional neural networks in a large dataset. It is demonstrated that simple models, alongside the majority of pretrained networks in the literature, focus on irrelevant features for decision-making. In this paper, numerous chest x-ray images from various sources are collected, and the largest publicly accessible dataset is prepared. Finally, using the transfer learning paradigm, the well-known CheXNet model is utilized for developing COVID-CXNet. This powerful model is capable of detecting the novel coronavirus pneumonia based on relevant and meaningful features with precise localization. COVID-CXNet is a step towards a fully automated and robust COVID-19 detection system.

研究の動機と目的

• 複数のソースから最大規模の公開 COVID-19 CXR データセットを収集・編成し、堅牢な検出を可能にする。
• ImageNet の事前学習モデルを含む複数の CNN アーキテクチャと CheXNet ベースのバックボーンを CXR データでの COVID-19 検出のために評価する。
• 肺セグメンテーションと画像強化を用いて肺炎所見の局在化を改善し、モデルの焦点を導く。
• Grad-CAM と LIME の可視化でモデルの解釈性を評価し、決定領域を検証する。
• COVID-19 肺炎を非 COVID 肺炎および正常例と区別する多クラスおよび階層分類を探索する。

提案手法

• 複数のソースから前向き胸部X線画像（COVID-19 および正常）からなる大規模な公開データセットを組み立てる。
• 正規化、320x320 へのリサイズ、および拡張（ズームや明度を含む）を用いた前処理。
• U-Net ベースのセグメンテーションを適用して肺 ROI を抽出し、ROI でクロップした入力をモデルに用いる。
• dropout とラベル平滑化を用いて COVID-19 CXR 上で CheXNet 派生 DenseNet バックボーン（DenseNet-121）を微調整。
• 画像強化（CLAHE、BEASF）と肺セグメーションを組み込み、異常の局在化を改善。
• 基本 CNN、ImageNet 事前学習ネットワーク（DenseNet、ResNet）および CheXNet ベースのバックボーンを用いた実験を行い、精度、陽性クラスの F1、Grad-CAM/LIME 可視化で評価。

実験結果

リサーチクエスチョン

• RQ1 COVID-19 CXR データで微調整された CheXNet ベースのバックボーンは、正面 CXRs における COVID-19 肺炎を正確に検出できますか？
• RQ2 肺セグメント化済みの ROI 入力と画像強化は、非セグメント入力と比較して局在化と分類性能を向上させますか？
• RQ3 精度と解釈性の観点から、事前学習済み ImageNet モデルと CheXNet ベースのモデルは COVID-19 CXR 検出でどのように比較されますか？
• RQ4 正常、非 COVID 肺炎、COVID-19 肺炎の区別に対する階層的および多クラス設定の有効性はどの程度ですか？

主な発見

• COVID-CXNet は COVID-19 vs Normal の二値分類で 99.04% の精度と 0.96 の F1 を達成。
• 肺セグメンテーション（ROI）を組み込むと、非セグメント入力と比較して Grad-CAM ヒートマップによる肺炎所見の局在化が向上。
• 基本モデルおよび ImageNet 事前学習ネットワークと比較して、CheXNet ベースの COVID-CXNet はより良い PM 局在化と競争力のある精度を提供。
• 多クラス（Normal, CAP, CP）分類は 81.04% の精度を示し、F-score は 0.85（CAP）と 0.76（CP）。
• 階層的多クラス手法は全体の精度を 87.21% に向上させ、F-score は 0.92（CP）と 0.85（CAP）。
• 可視化分析（Grad-CAM）により、モデルが関連する肺領域に焦点を合わせていることが示されるが、前処理なしだと時折余分なテキスト領域に注意が向くことがある。