[論文レビュー] Detection of Coronavirus (COVID-19) Associated Pneumonia based on Generative Adversarial Networks and a Fine-Tuned Deep Transfer Learning Model using Chest X-ray Dataset

Nour Eldeen M. Khalifa, Mohamed Hamed N. Taha+2 more|arXiv (Cornell University)|Apr 2, 2020

COVID-19 diagnosis using AI被引用数 61

ひとこと要約

この論文はGANベースのデータ拡張と微調整済みの深層転移学習モデルを使用して胸部X線画像からCOVID-19関連肺炎を検出し、Limited datasetでResNet18が99%の検証精度を達成。

ABSTRACT

The COVID-19 coronavirus is one of the devastating viruses according to the world health organization. This novel virus leads to pneumonia, which is an infection that inflames the lungs' air sacs of a human. One of the methods to detect those inflames is by using x-rays for the chest. In this paper, a pneumonia chest x-ray detection based on generative adversarial networks (GAN) with a fine-tuned deep transfer learning for a limited dataset will be presented. The use of GAN positively affects the proposed model robustness and made it immune to the overfitting problem and helps in generating more images from the dataset. The dataset used in this research consists of 5863 X-ray images with two categories: Normal and Pneumonia. This research uses only 10% of the dataset for training data and generates 90% of images using GAN to prove the efficiency of the proposed model. Through the paper, AlexNet, GoogLeNet, Squeeznet, and Resnet18 are selected as deep transfer learning models to detect the pneumonia from chest x-rays. Those models are selected based on their small number of layers on their architectures, which will reflect in reducing the complexity of the models and the consumed memory and time. Using a combination of GAN and deep transfer models proved it is efficiency according to testing accuracy measurement. The research concludes that the Resnet18 is the most appropriate deep transfer model according to testing accuracy measurement and achieved 99% with the other performance metrics such as precision, recall, and F1 score while using GAN as an image augmenter. Finally, a comparison result was carried out at the end of the research with related work which used the same dataset except that this research used only 10% of original dataset. The presented work achieved a superior result than the related work in terms of testing accuracy.

研究の動機と目的

• 胸部X線画像からCOVID-19肺炎を検出する動機づけ。
• データセットを拡張するためにGANベースの画像生成を用いて、データの制限に対処する。
• 肺炎検出のための軽量転移学習モデルを評価する。
• AlexNet、GoogLeNet、SqueezeNet、ResNet18のうちどのモデルが最も良い性能を示すかを特定する。
• GAN拡張による過学習へのロバスト性を示す。

提案手法

• トレーニングを拡張するためにGenerative Adversarial Networksを用いて追加の胸部X線画像を生成する。
• NormalまたはPneumoniaに分類された5863枚のX線画像のデータセットに対して、微調整された深層転移学習を適用する。
• 肺炎検出のために4つの軽量アーキテクチャ（AlexNet、GoogLeNet、SqueezeNet、ResNet18）を評価する。
• データセットの10%で学習し、GANを介して90%の合成画像を生成してロバスト性と性能を検証する。
• 精度と追加の指標（適合率、再現率、F1）を用いて性能を測定する。
• 検証精度に基づいて最も性能の高いモデルを決定する。

実験結果

リサーチクエスチョン

• RQ1 GAN生成画像は小規模な胸部X線データセットを肺炎検出のために効果的に拡張できるか？
• RQ2 この拡張されたデータセット上で、どの軽量の深層転移学習モデルがCOVID-19肺炎検出で最高の検証精度を示すか？
• RQ3 GAN拡張は過学習を抑制し、評価対象モデル全体の性能を向上させるか？
• RQ4 GAN拡張を用いたNormal対Pneumoniaクラスの比較性能指標（適合率、再現率、F1）はどうなるか？

主な発見

• 小さな元データセットでのGAN拡張は高い検証精度を達成できる。
• モデルの中で、ResNet18が最良の性能を示した。
• このアプローチは拡張データセットで99%の検証精度と関連する適合率、再現率、F1スコアを達成した。
• 本研究は、同じデータセットを用いた10%のトレーニングデータでの関連研究に比べて優位性を報告している。
• GANベースの拡張は過学習に対するモデルのロバスト性を向上させる。