[論文レビュー] COVIDLite: A depth-wise separable deep neural network with white balance and CLAHE for detection of COVID-19

Manu Siddhartha, Avik Santra|arXiv (Cornell University)|Jun 18, 2020

COVID-19 diagnosis using AI被引用数 36

ひとこと要約

COVIDLiteはホワイトバランスとCLAHE前処理を深さ方向分離可能CNNと組み合わせて胸部X線画像からCOVID-19を検出し、高い精度と軽量なデプロイ適性を実現します。

ABSTRACT

Background and Objective:Currently, the whole world is facing a pandemic disease, novel Coronavirus also known as COVID-19, which spread in more than 200 countries with around 3.3 million active cases and 4.4 lakh deaths approximately. Due to rapid increase in number of cases and limited supply of testing kits, availability of alternative diagnostic method is necessary for containing the spread of COVID-19 cases at an early stage and reducing the death count. For making available an alternative diagnostic method, we proposed a deep neural network based diagnostic method which can be easily integrated with mobile devices for detection of COVID-19 and viral pneumonia using Chest X-rays (CXR) images. Methods:In this study, we have proposed a method named COVIDLite, which is a combination of white balance followed by Contrast Limited Adaptive Histogram Equalization (CLAHE) and depth-wise separable convolutional neural network (DSCNN). In this method, white balance followed by CLAHE is used as an image preprocessing step for enhancing the visibility of CXR images and DSCNN trained using sparse cross entropy is used for image classification with lesser parameters and significantly lighter in size, i.e., 8.4 MB without quantization. Results:The proposed COVIDLite method resulted in improved performance in comparison to vanilla DSCNN with no pre-processing. The proposed method achieved higher accuracy of 99.58% for binary classification, whereas 96.43% for multiclass classification and out-performed various state-of-the-art methods. Conclusion:Our proposed method, COVIDLite achieved exceptional results on various performance metrics. With detailed model interpretations, COVIDLite can assist radiologists in detecting COVID-19 patients from CXR images and can reduce the diagnosis time significantly.

研究の動機と目的

• RT-PCR資源が限られている場合に胸部X線を用いた迅速で利用しやすいCOVID-19スクリーニングを促進する。
• モバイル/ウェブ展開に適した軽量CNNアーキテクチャを開発する。
• CNNの特徴抽出を改善するためのターゲットを絞った前処理でCXR画像品質を向上させる。
• Grad-CAM、LIME、サリエンシーマップを通じて放射線科医を支援するためのモデル解釈性を提供する。

提案手法

• CXRの視認性を高める前処理パイプラインとして白平衡を適用し、その後CLAHEを適用する。
• 標準CNNと比較してパラメータ数と計算量を削減するために_depth-wise separable CNN(DSCNN)を採用する。
• 提案手法のCOVIDLiteネットワークを18層で訓練する（2つの標準 conv + 12 DSC層 + dense blocks、カーネルは3x3）。
• ネットワークへ入力する前に画像を224x224x3に正規化およびリサイズする。
• マルチクラス分類にはsoftmax活性化を用いた疎カテゴリ交差エントロピー損失を使用する。
• 5分割交差検証で検証し、標準指標（accuracy, precision, recall, F1, AUC, Cohen's kappa）を報告する。
• Grad-CAM、LIME、サリエンシーマップを用いて肺炎影響部位を強調することでモデル解釈性を評価する。

実験結果

リサーチクエスチョン

• RQ1 White balance + CLAHE前処理はCXR画像からのCOVID-19検出性能にどのような影響を与えるか？
• RQ2 軽量なdepth-wise separable CNNはCXRデータでのCOVID-19分類（2クラスおよび3クラス）で競争力のある精度を達成できるか？
• RQ3 前処理有無のパイプライン間の性能トレードオフ（精度、適合率、再現率、AUC、κ係数）はどうなるか？
• RQ4 Grad-CAM、LIME、サリエンシーマップはモデルの意思決定に臨床的に意味のある説明をどの程度提供できるか？

主な発見

• 前処理を用いた二値分類の精度: 98.75% (avg across 5 folds).
• 前処理を用いた三クラス分類の精度: 99.58% (avg across 5 folds).
• クラス別性能（前処理あり）: Precision 99.00% (Normal) / 100.00% (COVID-19) / 96.00% (Viral Pneumonia); Sensitivity 99.00% / 99.58% / 96.00%; Specificity 98.25% / 99.34% / 97.79%; F1-Score 99.00% / 99.79% / 95.00%; AUC 1.0 / 1.0 / 0.99.
• 二値分類のAUC: COVID-19とNormalクラスの平均AUCは1.0; 多クラスではクラス別AUCはCOVID-19で1.0、他は0.99–1.0。
• モデルサイズは軽量(量子化なしで8.4 MB)でモバイル/ウェブ展開に適しており、前処理は性能を向上させ、95%CIを狭める。