[論文レビュー] Predicting Pneumonia and Region Detection from X-Ray Images using Deep Neural Network

Sheikh Md Hanif Hossain, S M Raju+1 more|arXiv (Cornell University)|Jan 19, 2021

COVID-19 diagnosis using AI被引用数 4

ひとこと要約

本論文では、事前学習済みResNet-50を用いた転移学習を活用した深層学習的手法を提案し、胸部レントゲン画像から肺炎を検出するとともに、感染した肺領域を局在化する。モデルは90.6%の正確性を達成し、解釈可能性のためにクラス活性化マッピングを採用しており、臨床現場での利用を想定したユーザーフレンドリーなツールPneuNetが開発された。

ABSTRACT

Biomedical images are increasing drastically. Along the way, many machine learning algorithms have been proposed to predict and identify various kinds of diseases. One such disease is Pneumonia which is an infection caused by both bacteria and viruses through the inflammation of a person's lung air sacs. In this paper, an algorithm was proposed that receives x-ray images as input and verifies whether this patient is infected by Pneumonia as well as specific region of the lungs that the inflammation has occurred at. The algorithm is based on the transfer learning mechanism where pre-trained ResNet-50 (Convolutional Neural Network) was used followed by some custom layer for making the prediction. The model has achieved an accuracy of 90.6 percent which confirms that the model is effective and can be implemented for the detection of Pneumonia in patients. Furthermore, a class activation map is used for the detection of the infected region in the lungs. Also, PneuNet was developed so that users can access more easily and use the services.

研究の動機と目的

• 深層ニューラルネットワークを用いて、胸部レントゲン画像における肺炎を自動で検出するシステムの開発。
• 説明可能なAI技術を用いて、肺炎に影響を受ける肺の特定領域を局在化する。
• 事前学習モデルを用いた転移学習により、診断の正確性と臨床的有用性を向上させる。
• 実世界の医療現場での導入を想定し、PneuNetと呼ばれるユーザーアクセス可能なツールの開発。

提案手法

• 特徴抽出器として、事前学習済みのResNet-50畳み込みニューラルネットワークを用いた転移学習を適用。
• 二値分類のためのカスタム全結合層およびドロップアウト層を特徴抽出段階の後続に追加。
• クラス活性化マッピング（CAM）を用いて、肺の炎症領域の可視化と局在化を実施。
• バランスの取れた肺炎および正常画像クラスを備えた公開された胸部レントゲン画像データセットを用いて、モデルの学習と検証を実施。
• 臨床医や研究者が画像をアップロードし、予測結果を即時に得られるよう、ウェブベースのインターフェースPneuNetを開発。
• モデルの汎化性能を向上させるとともに過学習を軽減するため、データ拡張技術を適用。

実験結果

リサーチクエスチョン

• RQ1 転移学習に基づく深層学習モデルは、胸部レントゲン画像から肺炎を正確に分類できるか？
• RQ2 注視に基づく可視化技術を用いて、モデルは肺の炎症領域を的確に局在化できるか？
• RQ3 本モデルの性能は、既存手法と比較して正確性および解釈可能性の面で優れているか？
• RQ4 臨床現場への導入を支援するため、効果的なユーザーフレンドリーなインターフェースを開発できるか？

主な発見

• 提案されたモデルは、テストセットで90.6%の分類正確性を達成し、優れた予測性能を示した。
• クラス活性化マッピングにより、肺の炎症領域が的確に強調され、モデルの解釈可能性と臨床的信頼性が向上した。
• ResNet-50を用いた転移学習の統合により、学習効率の向上とモデルの汎化性能の向上が顕著に見られた。
• 開発されたPneuNetプラットフォームにより、医療従事者や研究者がアクセス可能でリアルタイムの予測が可能になった。
• データ拡張により、画像品質のばらつきや解剖学的位置の違いに対しても、モデルの頑健性が確認された。