[論文レビュー] Malaria detection using Deep Convolution Neural Network

Sumit Kumar, Vardhan, Harsh+2 more|arXiv (Cornell University)|Mar 4, 2023

Digital Imaging for Blood Diseases被引用数 14

ひとこと要約

この論文は、軽量モデルを用いて、NIHのマラリアデータセットを用いて、マラリア感染赤血球と非感染赤血球を分類する二層CNNを構築し、リソース制約のあるデバイスに適した約95.4%のテスト精度を達成した。

ABSTRACT

The latest WHO report showed that the number of malaria cases climbed to 219 million last year, two million higher than last year. The global efforts to fight malaria have hit a plateau and the most significant underlying reason is international funding has declined. Malaria, which is spread to people through the bites of infected female mosquitoes, occurs in 91 countries but about 90% of the cases and deaths are in sub-Saharan Africa. The disease killed 4,35,000 people last year, the majority of them children under five in Africa. AI-backed technology has revolutionized malaria detection in some regions of Africa and the future impact of such work can be revolutionary. The malaria Cell Image Data-set is taken from the official NIH Website NIH data. The aim of the collection of the dataset was to reduce the burden for microscopists in resource-constrained regions and improve diagnostic accuracy using an AI-based algorithm to detect and segment the red blood cells. The goal of this work is to show that the state of the art accuracy can be obtained even by using 2 layer convolution network and show a new baseline in Malaria detection efforts using AI.

研究の動機と目的

• 資金不足と人材不足の中で、マラリア検知の改善を動機付ける。
• コンパクトなCNNがマラリア細胞画像で最先端に近い精度を達成できることを示す。
• リソース制約のあるデバイス（例：携帯電話）へのデプロイの実現可能性を示す。

提案手法

• LeNet5を起点として3チャンネルRGB画像に適用する.
• 各層に32個の3x3フィルタをもち、入力サイズを64x64とした二層の畳み込みネットワークを構築する。
• 正規化のために最大プーリング、バッチ正規化、ドロップアウトを適用する。
• 14x14x32の特徴マップを平坦化して、2層の全結合ネットワーク（512および256ニューロン）に入力する。
• Adam最適化器を用いてカテゴリ交差エントロピー損失で学習し、検証精度が95%に到達した時点で早期停止を適用する。

実験結果

リサーチクエスチョン

• RQ1 コンパクトなCNN（二層）が、より深いモデルと比較してマラリア細胞画像分類で高精度を達成できるか？
• RQ2 NIHマラリアデータセットにおける、寄生された細胞と非感染細胞の区別で、軽量モデルの性能はどうか？
• RQ3 重い前処理を要さず、リソース制約のあるデバイスへデプロイ可能か？

主な発見

• 検証精度が95%に達した時点で早期停止を用いて、トレーニングは50エポックを達成。
• テスト精度は約95.4%に達した。
• モデルは約3.36百万の学習可能パラメータを含み、使用ハードウェアで約20分程度で訓練された。
• 最終アーキテクチャは、隠れ層のReLU活性化を持つ2クラスのソフトマックス出力を生む。
• 前処理で画像をCNNに入力する前に64x64へ縮小する。
• 使用データセットには感染細胞と非感染細胞が等数ずつ、合計27,558枚の画像が含まれている。