[論文レビュー] Deep transfer learning for detecting Covid-19, Pneumonia and Tuberculosis using CXR images -- A Review

Irad Mwendo, Kinyua Gikunda+1 more|arXiv (Cornell University)|Mar 26, 2023

COVID-19 diagnosis using AI被引用数 4

ひとこと要約

本レビューでは、胸部X線（CXR）画像を用いたCOVID-19、肺炎、結核の検出に向けた深層転移学習モデルの有効性を評価しており、ResNet-50、VGG-16、DenseNet-121などのアーキテクチャに注目している。データ増強、転移学習、ハイパラメータチューニングが精度を向上させることを強調しており、モデルは最大99.7％の精度に達している。一方で、データ不足、クラス不均衡、単一疾患に限定された焦点が主な制限要因として指摘されている。

ABSTRACT

Chest X-rays remains to be the most common imaging modality used to diagnose lung diseases. However, they necessitate the interpretation of experts (radiologists and pulmonologists), who are few. This review paper investigates the use of deep transfer learning techniques to detect COVID-19, pneumonia, and tuberculosis in chest X-ray (CXR) images. It provides an overview of current state-of-the-art CXR image classification techniques and discusses the challenges and opportunities in applying transfer learning to this domain. The paper provides a thorough examination of recent research studies that used deep transfer learning algorithms for COVID-19, pneumonia, and tuberculosis detection, highlighting the advantages and disadvantages of these approaches. Finally, the review paper discusses future research directions in the field of deep transfer learning for CXR image classification, as well as the potential for these techniques to aid in the diagnosis and treatment of lung diseases.

研究の動機と目的

• CXR画像を用いたCOVID-19、肺炎、結核の分類における深層転移学習の有効性を評価すること。
• 低リソース環境および高負荷の臨床現場において診断精度を向上させるために有効な主なディープラーニングアーキテクチャおよび技術を同定すること。
• 既存の研究において、小規模なデータセット、データの不均衡、多疾患検出の制限といった課題を分析すること。
• データ増強およびハイパラメータチューニングがモデルの汎化性能および性能向上に果たす役割を強調すること。
• CXR画像を用いた肺疾患のスケーラブルで正確かつ頑健なAI支援診断の今後の研究方向性を提示すること。

提案手法

• CXRを用いた肺疾患分類に深層転移学習を適用した最近の58件の研究を系統的レビューした。
• ResNet-50、VGG-16、DenseNet-121、InceptionV3、EfficientNetを含む事前学習済みモデルを、CXRデータセットへの転移学習の観点から評価した。
• 反転、回転、ズーム、ヒストограм等化などのデータ増強技術を適用し、トレーニングデータの多様性を向上させた。
• 学習率、バッチサイズ、ネットワークの深さの最適化を目的としたハイパラメータチューニングを実施し、モデルの収束性および精度を向上させた。
• ノイズ低減および特徴強化のため、非等方的拡散フィルタリング、アンシャープマスキング、空間変換ネットワークなどの高度な技術を統合した。
• ランダムフォレスト、SVM、ロジスティック回帰などのアンサンブル手法と、CNNとアテンションモジュールや特徴抽出モジュールを組み合わせたハイブリッドモデルを比較した。

実験結果

リサーチクエスチョン

• RQ1 CXR画像からCOVID-19、肺炎、結核を検出する際、どの深層転移学習アーキテクチャが最も高い精度を示すか？
• RQ2 データ増強およびハイパラメータチューニングは、肺疾患分類における転移学習モデルの性能および耐性にどのように影響を与えるか？
• RQ3 データ不足、クラス不均衡、モデルバイアスといった主な課題は、これらのモデルの実世界での展開を制限する要因となるか？
• RQ4 スタンドアロンのディープラーニングモデルと比較して、ハイブリッドまたはアンサンブルモデルは診断精度をどの程度向上させるか？
• RQ5 CXR画像を用いたスケーラブルで多疾患検出可能なシステムの開発に向けた主な研究ギャップと今後の方向性は何か？

主な発見

• ResNet-50 や DenseNet-121 などの転移学習モデルは高い精度を達成しており、ある研究では1,824枚のCXR画像からなる小規模なデータセットで99.9％の精度を報告している。
• 回転、反転、ズームなどのデータ増強技術の適用により、モデルの汎化性能およびトレーニングデータセットのサイズが顕著に向上した。
• 学習率の調整やドロップアウト層の導入を含むハイパラメータチューニングにより、モデル性能が向上し、あるモデルでは100エポックの学習後に94％の精度を達成した。
• 空間変換ネットワークと年齢、性別、撮影位置などの人口統計的特徴を組み合わせたハイブリッドモデルは、ノイズの多いデータでも73％の検証精度を達成した。
• ランダムフォレスト、SVM、ロジスティック回帰を組み合わせたアンサンブルモデルは98％の精度を達成した一方、アンサンブル型の深層転移学習モデルは閉塞性肺疾患の分類で99.70％の精度に達した。
• データ不均衡や小規模なデータセットサイズの課題は依然として顕著であり、ある研究ではTB分類におけるクラス不均衡の是正にシャッフルサンプリングを適用した後でも85.68％の精度を報告している。