[論文レビュー] Multi-Channel Transfer Learning of Chest X-ray Images for Screening of COVID-19

Sampa Misra, Seungwan Jeon+3 more|arXiv (Cornell University)|May 12, 2020

COVID-19 diagnosis using AI参考文献 22被引用数 11

ひとこと要約

この論文では、胸部レントゲン画像からのCOVID-19スクリーニングの向上を目的として、ResNetベースのモデルを用いたマルチチャネル転移学習フレームワークを提案している。正常／病変、肺炎／非肺炎、COVID-19／非COVID-19という異なるデータセット上でそれぞれ特化した3つのモデルを訓練・アンサンブルし、その後統合データセットで微調整することで、94%の精度と100%の再現率を達成し、単一モデルのベースラインを上回った。

ABSTRACT

The 2019 novel coronavirus (COVID-19) has spread rapidly all over the world and it is affecting the whole society. The current gold standard test for screening COVID-19 patients is the polymerase chain reaction test. However, the COVID-19 test kits are not widely available and time-consuming. Thus, as an alternative, chest X-rays are being considered for quick screening. Since the presentation of COVID-19 in chest X-rays is varied in features and specialization in reading COVID-19 chest X-rays are required thus limiting its use for diagnosis. To address this challenge of reading chest X-rays by radiologists quickly, we present a multi-channel transfer learning model based on ResNet architecture to facilitate the diagnosis of COVID-19 chest X-ray. Three ResNet-based models (Models a, b, and c) were retrained using Dataset_A (1579 normal and 4429 diseased), Dataset_B (4245 pneumonia and 1763 non-pneumonia), and Dataset_C (184 COVID-19 and 5824 Non-COVID19), respectively, to classify (a) normal or diseased, (b) pneumonia or non-pneumonia, and (c) COVID-19 or non-COVID19. Finally, these three models were ensembled and fine-tuned using Dataset_D (1579 normal, 4245 pneumonia, and 184 COVID-19) to classify normal, pneumonia, and COVID-19 cases. Our results show that the ensemble model is more accurate than the single ResNet model, which is also re-trained using Dataset_D as it extracts more relevant semantic features for each class. Our approach provides a precision of 94 % and a recall of 100%. Thus, our method could potentially help clinicians in screening patients for COVID-19, thus facilitating immediate triaging and treatment for better outcomes.

研究の動機と目的

• COVID-19のPCR検査の限られた可用性と遅延した結果の提供を補うために、胸部レントゲン画像を用いた迅速で自動化されたスクリーニングを可能にすること。
• 専門性に欠けることによる放射線科医の、X線画像における多様で微細なCOVID-19特徴の正確な解釈が困難であるという課題を克服すること。
• 複数の特化したタスクにわたる転移学習を活用する深層学習モデルを開発し、診断性能を向上させること。
• アンサンブル学習と微調整を用いて、正常、肺炎、COVID-19の3クラス分類の精度を向上させること。

提案手法

• 3つの別々のResNetベースのモデル（a, b, c）を、それぞれ異なるデータセット（データセットA：正常対病変、データセットB：肺炎対非肺炎、データセットC：COVID-19対非COVID-19）で訓練した。
• 各モデルはImageNetで事前学習した後、特定の診断タスクに特化するようにそのデータセットで微調整された。
• 3つの特化モデルをアンサンブルし、正常、肺炎、COVID-19症例を含む統合データセット（データセットD）で共同で微調整した。
• アンサンブルモデルは、各チャネルから学習した補完的特徴を活用することで、全3クラスの一般化性能と特徴表現を向上させた。
• 転移学習は、ImageNetの重みでモデルを初期化し、限られたラベル付きデータを有する医療画像タスクに適応させることで実施された。

実験結果

リサーチクエスチョン

• RQ1 単一モデルアプローチと比較して、マルチチャネル転移学習は、胸部レントゲン画像におけるCOVID-19検出の正確性を向上させることができるか？
• RQ2 例えば肺炎対非肺炎といった異なる診断タスクで特化モデルを訓練することで、後続のマルチクラス分類のための特徴学習が向上するか？
• RQ3 複数の特化モデルをアンサンブルし、微調整することで、統合データセットで再訓練した単一モデルよりも優れた性能が得られるか？
• RQ4 転移学習は、COVID-19のような希少疾患における医療画像のデータ不足をどの程度緩和できるか？

主な発見

• アンサンブルによるマルチチャネル転移学習モデルは、胸部レントゲン画像からの正常、肺炎、COVID-19症例の分類において94%の精度と100%の再現率を達成した。
• 本手法は、統合データセット（データセットD）で再訓練した単一のResNetモデルを上回り、特化した事前学習とアンサンブル学習の利点を示した。
• 100%の高い再現率は、実際のCOVID-19症例をすべて正しく同定できたことを示しており、偽陰性を最小限に抑えた。
• 複数の特化したチャネルの使用により、各クラスに対してより関連性があり、判別力のある意味的特徴をモデルが抽出できた。