[論文レビュー] Development of a Machine-Learning System to Classify Lung CT Scan Images into Normal/COVID-19 Class

Seifedine Kadry, V. Rajinikanth+4 more|arXiv (Cornell University)|Apr 24, 2020

COVID-19 diagnosis using AI参考文献 53被引用数 33

ひとこと要約

論文は lung CT 線片を強化する Chaotic Bat Algorithm と Kapur’s Entropy thresholding を用いた機械学習パイプラインを提案し、特徴抽出/選択と二分類器に続き、fused feature vector を用いた SVM で最大 89.80% の精度を達成する。

ABSTRACT

Recently, the lung infection due to Coronavirus Disease (COVID-19) affected a large human group worldwide and the assessment of the infection rate in the lung is essential for treatment planning. This research aims to propose a Machine-Learning-System (MLS) to detect the COVID-19 infection using the CT scan Slices (CTS). This MLS implements a sequence of methods, such as multi-thresholding, image separation using threshold filter, feature-extraction, feature-selection, feature-fusion and classification. The initial part implements the Chaotic-Bat-Algorithm and Kapur's Entropy (CBA+KE) thresholding to enhance the CTS. The threshold filter separates the image into two segments based on a chosen threshold 'Th'. The texture features of these images are extracted, refined and selected using the chosen procedures. Finally, a two-class classifier system is implemented to categorize the chosen CTS (n=500 with a pixel dimension of 512x512x1) into normal/COVID-19 group. In this work, the classifiers, such as Naive Bayes (NB), k-Nearest Neighbors (KNN), Decision Tree (DT), Random Forest (RF) and Support Vector Machine with linear kernel (SVM) are implemented and the classification task is performed using various feature vectors. The experimental outcome of the SVM with Fused-Feature-Vector (FFV) helped to attain a detection accuracy of 89.80%.

研究の動機と目的

• 治療計画とトリアージのための CT 画像からの迅速な COVID-19 検出の必要性を動機付ける。
• CT スライスを強化し、識別的なテクスチャ特徴を抽出する機械学習ワークフローを提案する。
• Normal vs COVID-19 分類のための有効なモデルを特定するために複数の分類器を評価する。

提案手法

• Chaotic Bat Algorithm and Kapur’s Entropy thresholding を適用して CT スライスを強化する。
• 閾値 Th を選択して閾値ベースの画像分離を行い、2 つのセグメントを作成する。
• 分割された画像からテクスチャ特徴を抽出、洗練、選択する。
• 融合スキームによる特徴ベクトルを組み合わせ、2 クラス分類器を訓練する。
• Naive Bayes、KNN、Decision Tree、Random Forest、そして linear SVM をさまざまな特徴ベクトルで評価する。

実験結果

リサーチクエスチョン

• RQ1 閾値ベースの強調はテクスチャ特徴と組み合わせることで Normal vs COVID-19 の CT スライスを効果的に識別できるか。
• RQ2 与えられたデータセットで Normal/COVID-19 分類の最高精度を得る分類器と特徴ベクトルの組み合わせはどれか。

主な発見

• SVM with a fused feature vector は 89.80% の検出精度を達成した。
• 本研究は複数の分類器をテストし、NB、KNN、DT、RF、SVM と FFV のうち SVM が最も良い性能を示すことを特定した。
• CT スライスデータセットの使用: n=500, サイズ 512x512x1。