[論文レビュー] Pneumonia Detection in Chest X-Ray Images : Handling Class Imbalance

Wardah Ali, Eesha Qureshi+2 more|arXiv (Cornell University)|Jan 20, 2023

COVID-19 diagnosis using AI被引用数 5

ひとこと要約

本論文は、正常（所見なし）の症例が肺炎症例を大幅に上回る重度のクラス不均衡を解消するため、DCGANとWGAN-GPを組み合わせたハイブリッドGANアプローチを用いた、肺線維症の胸部X線画像における検出のための新規ディープラーニングフレームワークを提案する。この手法では、少数クラス（肺炎）のデータ拡張にハイブリッドGANを、多数クラス（所見なし）のデータに対してランダムアンダーサンプリングを適用する。転移学習を用いてResNet-50、VGG-16、Xceptionモデルを用いた場合、ChestX-Ray8データセットで99.4％の最先端の正確度を達成した。

ABSTRACT

People all over the globe are affected by pneumonia but deaths due to it are highest in Sub-Saharan Asia and South Asia. In recent years, the overall incidence and mortality rate of pneumonia regardless of the utilization of effective vaccines and compelling antibiotics has escalated. Thus, pneumonia remains a disease that needs spry prevention and treatment. The widespread prevalence of pneumonia has caused the research community to come up with a framework that helps detect, diagnose and analyze diseases accurately and promptly. One of the major hurdles faced by the Artificial Intelligence (AI) research community is the lack of publicly available datasets for chest diseases, including pneumonia . Secondly, few of the available datasets are highly imbalanced (normal examples are over sampled, while samples with ailment are in severe minority) making the problem even more challenging. In this article we present a novel framework for the detection of pneumonia. The novelty of the proposed methodology lies in the tackling of class imbalance problem. The Generative Adversarial Network (GAN), specifically a combination of Deep Convolutional Generative Adversarial Network (DCGAN) and Wasserstein GAN gradient penalty (WGAN-GP) was applied on the minority class ``Pneumonia'' for augmentation, whereas Random Under-Sampling (RUS) was done on the majority class ``No Findings'' to deal with the imbalance problem. The ChestX-Ray8 dataset, one of the biggest datasets, is used to validate the performance of the proposed framework. The learning phase is completed using transfer learning on state-of-the-art deep learning models i.e. ResNet-50, Xception, and VGG-16. Results obtained exceed state-of-the-art.

研究の動機と目的

• 正常（所見なし）の症例が著しく多い肺炎検出データセットにおける重度のクラス不均衡を是正すること。
• リアルな合成少数クラスサンプルを生成することで、胸部X線画像からの肺炎検出におけるディープラーニングモデルの性能を向上させること。
• 公開済みで重度の不均衡を示す大規模なChestX-Ray8データセットを用いて、提案フレームワークの妥当性を検証すること。
• GANベースの拡張と転移学習を組み合わせることで、既存の最先端の正確度を超えること。
• 今後の診断信頼性の向上に向け、説明可能なAIとアンサンブルモデルの可能性を検討すること。

提案手法

• 少数クラス（肺炎）のためのリアルな合成胸部X線画像を生成するために、ディープコンvolutionギャンブラーGAN（DCGAN）と勾配罰付きワッサーシュタインGAN（WGAN-GP）を組み合わせたハイブリッド生成モデルを採用する。
• 多数クラス（所見なし）に対してランダムアンダーサンプリング（RUS）を適用し、データセットのバランスを改善し、学習バイアスを低減する。
• バランスの取れたデータセットを用いて、転移学習により最先端の3つの畳み込みニューラルネットワークアーキテクチャ（ResNet-50、VGG-16、Xception）を微調整する。
• 過学習や収束状態の監視のため、標準的な指標（正確度、感度、損失曲線）を用いてモデル学習を評価する。
• 事前学習済みモデルの特徴抽出能力を活用することで、限られた医療画像データにおいて一般化性能を向上させる。
• ハイパーパramータチューニングと早期停止を用いて、全モデルにおける学習安定性と性能を最適化する。

実験結果

リサーチクエスチョン

• RQ1 DCGANとWGAN-GPを組み合わせたハイブリッドGANフレームワークは、少数クラスの肺炎X線画像の拡張に効果的であり、モデルの一般化性能を向上させることができるか？
• RQ2 多数クラスのランダムアンダーサンプリングとGANベースのデータ生成を組み合わせることで、不均衡なデータセットに対する通常の学習に比べて性能が向上するか？
• RQ3 提案フレームワークは、ChestX-Ray8データセットにおいて、既存の最先端モデルと比較して正確度と頑健性の面で優れているか？
• RQ4 転移学習とハイブリッドデータ拡張は、過学習をどれほど軽減し、肺炎検出における感度を向上させるか？
• RQ5 本手法は、同様のクラス不均衡問題を示す他の医療画像処理タスクへも拡張可能か？

主な発見

• 提案フレームワークは、ChestX-Ray8データセットで最大99.4％の正確度を達成し、以前の最先端の結果を著しく上回った。
• 提案された拡張およびサンプリング戦略を用いて訓練されたVGG-16モデルが、標準的なデータ分割で訓練されたモデルを上回る最高の性能を示した。
• DCGANとWGAN-GPの組み合わせにより、高品質な肺炎X線画像が生成され、モデルの一般化性能が向上し、過学習が軽減された。
• 検証損失曲線から、特にVGG-16およびXceptionモデルにおいて、過学習が最小限に抑えられた安定した学習が確認された。
• 本手法は複数のアーキテクチャにわたり頑健であり、ResNet-50およびXceptionモデルでも90％を超える正確度を達成した。
• 結果から、医療画像における極端なクラス不均衡に対処するには、ハイブリッドGANベースのデータ拡張が、従来のオーバーサンプリングやアンダーサンプリング単体よりも効果的であると考えられる。