[論文レビュー] CovMUNET: A Multiple Loss Approach towards Detection of COVID-19 from Chest X-ray

Ali Sayyed, Dipayan Saha+1 more|arXiv (Cornell University)|Jul 28, 2020

COVID-19 diagnosis using AI被引用数 4

ひとこと要約

CovMUNETは、複数損失関数を用いた深層学習モデルであり、コロナウイルス感染症の胸部レントゲン画像からの検出に用いられ、3クラス分類（COVID-19 対 正常 対 ピルムニア）で96.97％の正確性を達成し、2クラス分類（COVID 対 非COVID）では99.41％の正確性を示した。これは、CX-Rスキャンにおける異常を特定する上で優れた性能と頑健性を示している。

ABSTRACT

The recent outbreak of COVID-19 has halted the whole world, bringing a devastating effect on public health, global economy, and educational systems. As the vaccine of the virus is still not available, the most effective way to combat the virus is testing and social distancing. Among all other detection techniques, the Chest X-ray (CXR) based method can be a good solution for its simplicity, rapidity, cost, efficiency, and accessibility. In this paper, we propose CovMUNET, which is a multiple loss deep neural network approach to detect COVID-19 cases from CXR images. Extensive experiments are performed to ensure the robustness of the proposed algorithm and the performance is evaluated in terms of precision, recall, accuracy, and F1-score. The proposed method outperforms the state-of-the-art approaches with an accuracy of 96.97% for 3-class classification (COVID-19 vs normal vs pneumonia) and 99.41% for 2-class classification (COVID vs non-COVID). The proposed neural architecture also successfully detects the abnormality in CXR images.

研究の動機と目的

• 胸部レントゲン画像からのCOVID-19検出の正確性を向上させる深層学習モデルの開発を目的とする。
• COVID-19用の医療画像データが限られ、かつ不均衡であるという課題に対処するため、複数損失学習戦略を活用する。
• CXRスキャンにおけるCOVID-19、正常、およびピルムニア症例の区別において、モデルの汎化性能と頑健性を向上させる。
• 利用可能な画像診断モodalitiesを用いて、早期かつ低コストのCOVID-19検出を可能にする。
• 高い正確性と再現率を備えた胸部レントゲン画像における異常の特定を通じて、臨床意思決定を支援する。

提案手法

• モデルは、不均衡データセットにおける分類性能の向上を目的として、交差エントロピー損失とフォーカル損失を組み合わせた複数損失関数を採用している。
• 胸部レントゲン画像からの階層的特徴抽出を目的として、カスタムの畳み込みニューラルネットワークアーキテクチャを設計した。
• マルチクラスおよびバイナリクラス分類タスクに最適化された分類損失の組み合わせを用いて、エンドツーエンドでネットワークを訓練した。
• トレーニングデータの多様性を高め、モデルの汎化性能を向上させるために、データ増強技術を適用した。
• 標準的な指標（精度、再現率、F1スコア、正確性）を用いて、複数の実験設定でモデルを評価した。
• モデルは、COVID-19の検出に加え、胸部レントゲン画像における一般の異常の検出にも最適化されている。

実験結果

リサーチクエスチョン

• RQ1 単一損失アプローチと比較して、複数損失関数は胸部レントゲン画像におけるCOVID-19検出の正確性を向上させることができるか？
• RQ2 提案されたモデルは、マルチクラス設定（COVID-19 対 正常 対 ピルムニア）において、それぞれの症例をどれほど正確に区別できるか？
• RQ3 病理像が多様な未学習の胸部レントゲン画像に対して、モデルはどの程度汎化できるか？
• RQ4 クラス不均衡の影響を受けても、バイナリ分類（COVID 対 非COVID）において高い正確性と再現率を達成できるか？
• RQ5 COVID-19以外の胸部レントゲン画像における一般の異常を検出する上で、モデルはどの程度効果的か？

主な発見

• 3クラス分類（COVID-19 対 正常 対 ピルムニア）において、モデルは96.97％の正確性を達成し、最先端の手法を上回った。
• バイナリ分類（COVID 対 非COVID）において、モデルは99.41％の正確性に達した。これは、優れた識別能力を示している。
• 複数損失戦略により、不均衡データセットにおけるモデルの頑健性と汎化性能が顕著に向上した。
• すべてのクラスにおいて高い正確性と再現率を示し、信頼性の高い検出性能を確認した。
• アーキテクチャは、COVID-19以外の胸部レントゲン画像における異常の検出にも成功しており、より広範な診断的有用性を示唆している。
• 標準的な評価指標を用いた検証により、モデルの有効性と信頼性が確認された。