[論文レビュー] Exploring the Effect of Image Enhancement Techniques on COVID-19 Detection using Chest X-rays Images

Tawsifur Rahman, Amith Khandakar+9 more|arXiv (Cornell University)|Nov 25, 2020

COVID-19 diagnosis using AI被引用数 13

ひとこと要約

本研究では、18,479枚の画像を含む新しい大規模データセット（COVQU-20）を用いて、胸部X線画像からのCOVID-19検出におけるヒストограм等化、CLAHE、画像補完、ガンマ補正、B-CETの5つの画像強調技術の影響を調査した。ガンマ補正が最高のパフォーマンスを示し、6つのCNNモデルを用いて標準および肺領域分離済みのCX-R画像で、96.29%の正確性、96.28%の適合率、96.29%の感度を達成した。

ABSTRACT

The use of computer-aided diagnosis in the reliable and fast detection of coronavirus disease (COVID-19) has become a necessity to prevent the spread of the virus during the pandemic to ease the burden on the medical infrastructure. Chest X-ray (CXR) imaging has several advantages over other imaging techniques as it is cheap, easily accessible, fast and portable. This paper explores the effect of various popular image enhancement techniques and states the effect of each of them on the detection performance. We have compiled the largest X-ray dataset called COVQU-20, consisting of 18,479 normal, non-COVID lung opacity and COVID-19 CXR images. To the best of our knowledge, this is the largest public COVID positive database. Ground glass opacity is the common symptom reported in COVID-19 pneumonia patients and so a mixture of 3616 COVID-19, 6012 non-COVID lung opacity, and 8851 normal chest X-ray images were used to create this dataset. Five different image enhancement techniques: histogram equalization, contrast limited adaptive histogram equalization, image complement, gamma correction, and Balance Contrast Enhancement Technique were used to improve COVID-19 detection accuracy. Six different Convolutional Neural Networks (CNNs) were investigated in this study. Gamma correction technique outperforms other enhancement techniques in detecting COVID-19 from standard and segmented lung CXR images. The accuracy, precision, sensitivity, f1-score, and specificity in the detection of COVID-19 with gamma correction on CXR images were 96.29%, 96.28%, 96.29%, 96.28% and 96.27% respectively. The accuracy, precision, sensitivity, F1-score, and specificity were 95.11 %, 94.55 %, 94.56 %, 94.53 % and 95.59 % respectively for segmented lung images. The proposed approach with very high and comparable performance will boost the fast and robust COVID-19 detection using chest X-ray images.

研究の動機と目的

• 胸部X線（CXR）画像からのCOVID-19検出の正確性を向上させるために、さまざまな画像強調技術の効果を評価すること。
• 18,479枚の画像を含み、正常、非COVID肺浸潤、COVID-19の3つのカテゴリを含む、公開可能なCOVID-19 CXRデータセットCOVQU-20を構築・公開すること。
• 画像強調技術と組み合わせた6種類の畳み込みニューラルネットワーク（CNN）の性能を比較し、COVID-19の迅速かつ強固な検出を実現すること。
• 正確性、感度、適合率、F1スコア、特異性などの検出指標を最大化する最適な画像強調手法を特定すること。

提案手法

• 著者らは、大規模な学習と評価を支援する目的で、18,479枚のCXR画像（正常8,851枚、非COVID肺浸潤6,012枚、COVID-19 3,616枚）からなるCOVQU-20というデータセットを構築した。
• ヒストограм等化、コントラスト制限付きアダプティブヒストограм等化（CLAHE）、画像補完、ガンマ補正、バランスコントラスト強調技術（B-CET）の5つの画像強調技術を適用した。
• 標準および強調済みのCXR画像の両方に対して、6つの事前学習済み畳み込みニューラルネットワーク（CNN）を微調整し、検出性能を評価した。
• 標準的な指標である正確性、適合率、感度、F1スコア、特異性を用いて、標準および肺領域分離済みのCXR画像の両方で性能を評価した。
• 肺領域を分離するために肺領域のセグメンテーションを実施し、周囲の解剖学的構造に起因するノイズを低減するとともに、特徴抽出を向上させた。

実験結果

リサーチクエスチョン

• RQ1 どの画像強調技術が胸部X線画像におけるCOVID-19検出の正確性を最も高めるか？
• RQ2 画像強調技術をディープラーニングモデルと統合することで、COVID-19検出の感度と特異性にどのような影響を与えるか？
• RQ3 COVQU-20データセットにおいて、さまざまな強調技術と組み合わせた異なるCNNアーキテクチャの性能はどのように比較されるか？
• RQ4 ガンマ補正は、標準および分離済みのCXR画像の両方で、他の強調手法を一貫して上回る性能を示すか？

主な発見

• ガンマ補正は、標準CXR画像で96.29%の最高の検出正確性を達成し、96.28%の適合率、96.29%の感度、96.28%のF1スコア、96.27%の特異性を示した。
• 肺領域分離画像では、ガンマ補正が95.11%の正確性、94.55%の適合率、94.56%の感度、94.53%のF1スコア、95.59%の特異性を達成した。
• COVQU-20データセットは、18,479枚の画像を含み、正常、非COVID肺浸潤、COVID-19の多様な症例を含む、同種のデータセットの中で最大の公開データベースである。
• 5つの強調技術の中で、ガンマ補正は、すべての評価指標においてヒストограм等化、CLAHE、画像補完、B-CETを一貫して上回った。
• ガンマ補正とディープラーニングモデルの組み合わせにより、自動COVID-19検出の分野で最先端のパフォーマンスが達成され、高いロバスト性と一般化能力を示した。