[論文レビュー] Disease Detection from Lung X-ray Images based on Hybrid Deep Learning

Subrato Bharati, Prajoy Podder|arXiv (Cornell University)|Mar 2, 2020

COVID-19 diagnosis using AI参考文献 13被引用数 3

ひとこと要約

本稿では、X線画像からの早期肺疾患検出のためのハイブリッドディープラーニングフレームワークを提案する。CNN、VGG、空間変換ネットワーク（STN）、およびキャプセルネットワークを組み合わせることで、画像のばらつきにもかかわらず分類精度を向上させる。融合モデルは、フルデータセットおよびサンプルデータセットの両方において、個々のネットワークよりも精度、再現率、F1スコア、正解率の面で優れた性能を示した。

ABSTRACT

Lung Disease can be considered as the second most common type of disease for men and women. Many people die of lung disease such as lung cancer, Asthma, CPD (Chronic pulmonary disease) etc. in every year. Early detection of lung cancer can lessen the probability of deaths. In this paper, a chest X ray image dataset has been used in order to diagnosis properly and analysis the lung disease. For binary classification, some important is selected. The criteria include precision, recall, F beta score and accuracy. The fusion of AI and cancer diagnosis are acquiring huge interest as a cancer diagnostic tool. In recent days, deep learning based AI for example Convolutional neural network (CNN) can be successfully applied for disease classification and prediction. This paper mainly focuses the performance of Vanilla neural network, CNN, fusion of CNN and Visual Geometry group based neural network (VGG), fusion of CNN, VGG, STN and finally Capsule network. Normally basic CNN has poor performance for rotated, tilted or other abnormal image orientation. As a result, hybrid systems have been exhibited in order to enhance the accuracy with the maintenance of less training time. All models have been implemented in two groups of data sets: full dataset and sample dataset. Therefore, a comparative analysis has been developed in this paper. Some visualization of the attributes of the dataset has also been showed in this paper

研究の動機と目的

• X線画像からの肺疾患検出の精度を、ディープラーニングを用いて向上させること。
• 標準的なCNNの回転または傾きのあるX線画像の処理における制限を、ハイブリッドアーキテクチャの設計によって克服すること。
• 肺疾患の二値分類において、ヴァニラニューラルネットワーク、単独のCNN、および複数のハイブリッドモデルの性能を比較すること。
• フルデータセットおよびサンプルデータセットの両方において、精度、再現率、Fベータスコア、正解率を用いてモデルの性能を評価すること。
• モデルの解釈および検証を支援するため、データセットの属性の可視化を提供すること。

提案手法

• 肺疾患の二値分類のためのX線画像データセットを用いた。
• 比較のためのベースラインモデルとしてヴァニラニューラルネットワークを実装した。
• X線画像からの特徴抽出のため、畳み込みニューラルネットワーク（CNN）を適用した。
• 特徴表現の強化と一般化性能の向上のため、VGGベースのネットワークを統合した。
• 回転または歪みのある画像領域を自動的に注目し、正規化するため、空間変換ネットワーク（STN）を組み込んだ。
• CNN、VGG、STN、およびキャプセルネットワークをハイブリッドアーキテクチャに統合し、頑健性と分類精度を向上させた。

実験結果

リサーチクエスチョン

• RQ1 ハイブリッドディープラーニングモデルの性能は、単独のCNNやヴァニラネットワークと比べて、X線画像からの肺疾患分類においてどのように異なるか？
• RQ2 VGGおよびSTNの統合が、画像の回転や方向変動に対するモデルの頑健性をどの程度向上させるか？
• RQ3 フルデータセットとサンプルデータセットを用いた場合に、モデルの複雑さが学習時間および分類精度に与える影響は何か？
• RQ4 さまざまなモデルアーキテクチャにおいて、精度、再現率、Fベータスコア、正解率は、二値肺疾患分類でどのように変化するか？
• RQ5 データセットの属性の可視化は、モデルの挙動を理解し、診断の信頼性を向上させるのに役立つか？

主な発見

• CNN、VGG、STN、およびキャプセルネットワークを統合したハイブリッドモデルが、精度、再現率、Fベータスコア、正解率の観点で最も高い分類性能を示した。
• 融合モデルは、標準的なCNNと比較して、回転や傾きなどの画像ばらつきに対して優れた頑健性を示した。
• 性能指標は、フルデータセットにおいてサンプルデータセットよりも一貫して優れており、データ量の重要性が示された。
• STNの統合により、モデルの関心領域を関連する解剖学的領域に集中させられるようになり、特徴学習の向上に寄与した。
• データセットの属性の可視化により、画像の品質や分布に関する洞察が得られ、モデルの解釈およびデータ品質の評価を支援した。
• 提案されたハイブリッドアプローチにより、個々のモデルの制限が軽減され、特に臨床的X線で一般的な非標準的な画像の向きに対しても有効であった。